C-ReD 深读：检测器为什么会在新模型上失效？三类方法、七种设定与四条局限

来源：论文首页（arXiv 2604.11796）

姊妹篇《C-ReD 讲了什么》把这份 12.8 万条的中文检测基准按「做了什么、发现了什么」过了一遍：五个域、九个模型，新闻与学术写作最难检测，DeepSeek-R1 是最难测的生成器。本文往下钻三层——三类检测器各自靠什么工作、七种实验设定分别回答什么问题、四条论文自认的局限在技术上意味着什么。给想做检测或研究检测的人看，也回答一个更普遍的疑问：为什么同一个检测器，换篇文章、换个模型，分数就对不上了。

一、三类检测器，三种依赖

C-ReD 测了三类方法，它们失效的原因各不相同：

类别	代表方法	工作原理一句话	依赖什么
零样本（无训练）	Log-Likelihood、Entropy、Log-Rank、LRR、Fast-DetectGPT、Lastde/Lastde++、DNA-DetectLLM	用一个固定的参考模型给文本「打分」：似然、熵、词序排名、概率曲率	参考模型与生成模型的分布接近
有监督分类器	OpenAI Detector、RADAR、ReMoDetect、IMBD	在标注好的「人写/AI 写」语料上训练判别器	训练数据的模型覆盖与新鲜度
大模型当检测器	8 个 LLM × 三种提示策略（普通 / 给上下文 / 给风格描述）	靠模型自身的判断力，提示给多少信息决定发挥	提示里的上下文与风格线索

记住这张表的右下角三格，后面所有结论都能从它们推出来。

二、七种设定，各回答一个问题

来源：C-ReD 论文（arXiv:2604.11796）

实验设定	回答的问题
通用评测（域与生成器都不给标签）	检测器在「不知道对手是谁」时的真实水平
在 C-ReD 上微调后测分布内	给足同分布数据能到多少
微调后测分布外（未见模型）	换个没见过的生成器还剩多少
固定生成器的跨域迁移	同一个模型换个别的文章还行吗
提示词复杂度消融	提示写得糙一点，难度变不变
繁体新闻测试	换个字素系统还成立吗
迁移到外部 M4 中文问答	这把尺子能不能借给别的数据集用

单看任何一格的数字都没有意义，意义在格子之间的差——这正是「检测器不是分数，是一张表」的含义。

三、零样本为什么「认生」

零样本方法的核心假设是：AI 生成的文本在参考模型眼里「过于顺滑」——似然偏高、熵偏低、词序过于可预测。这个假设成立的前提，是参考模型和生成模型的分布足够接近。C-ReD 的结果里，这条前提在新模型面前断了：遇到没见过的 LLM，参考模型会出现架构与风格的双重错配，老的有监督 RoBERTa 系检测器失效得更彻底，因为它们是用较早、质量较低的 AI 文本训练出来的——训练分布里压根没有今天这些模型的「口音」。

四、思维链为什么把 DeepSeek-R1 送上最难测的位置

论文给的归因是：R1 的思维链风格让输出更连贯、更像人的推理。放到第一节的框架里看，这相当于生成模型主动贴近了「人写文本」的统计形状——零样本打分的「过于顺滑」信号被稀释，有监督分类器的训练分布里也没有这种推理腔。两条路同时变窄，它在九个模型里垫底就不奇怪。

五、微调有效，但「完美迁移」做不到

在 C-ReD 上微调后，各域提升明显，对训练时未见过的两个模型（Claude-3.5-Haiku、Gemini-2.5-Flash）也有效，迁移到外部 M4 中文问答数据同样有提升——说明这份数据有资格当基础设施。但分布内与分布外始终存在小差距，论文自己的措辞就是完美迁移做不到。对工具开发者的含义很直接：新模型发布后，检测器需要一轮跟进式的数据与训练更新，这是持续性成本，不是一次性工程。

六、大模型当裁判：零样本不行，给了线索才行

八个大模型自己当检测器，零样本提示下基本不可用——连判定自己生成的文本都困难。但提示里给了上下文或风格描述后，准确率明显上升。

判断「像不像机器」需要参照系，参数记忆替代不了它。

七、提示词简化，难度几乎不变

消融实验里，把生成提示词写得更简略，检测难度几乎不变。含义是：强模型即便指令变少，也能写出「人味」足够的学术文本。想靠「把提示词写复杂」来解释检测难度的波动，这条路不通。

八、论文自认的四条局限

局限	技术含义
只有中文，多语言是未来工作	结论不能外推到英文检测场景
9 个模型会过时	今天的最难测榜单是快照，不是定论
对抗式提示不在覆盖范围	刻意绕检测的用法没被测——这恰是最难的场景
人类文本来源有限	THUCNews、知乎、豆瓣、高考作文、ChinaXiv 覆盖不了中文写作的全部风格

九、我们的两条技术评论

第一，「把域和生成器拆开测」是这份基准对开发者最有用的动作。很多检测器宣称高准确率，但没说清是在什么域、对哪个模型；七种设定把两个变量分开后，检测器输出的是一张随条件变化的表。做检测产品的人应该照这个形状报告自己的能力边界，而不是报一个总分。

第二，零样本认生与微调可迁移两件事放在一起，指明了中文检测的工程现状：纯统计方法的时代在翻篇，跟进式微调是入场券，而入场券不保证满分——这正是国产模型进基准的价值，它们把「分布外」变成了常态测试项。

十、对写论文的人：一条推论就够

检测率不是一个可以跨域、跨模型直接引用的数字——这是全部实验设定合起来的唯一必读结论。落到动作上：第三方自测分数只作参考，终检以学校或期刊指定的系统为准；规范引用、AI 使用披露和写作留痕（大纲、草稿版本、文献笔记）比「押中哪个检测器」可靠得多。逐项的自查动作见姊妹篇末节，此处不重复。

边界与声明

本文没有做论文的复现实验；论文正文与附录未给出逐项 AUROC 数值，本稿也不复述具体分数。对检测方法原理的一句话概括（第一节）是公开常识层面的描述，用于帮助理解实验设计，不构成对各方法的完整刻画。论文的联盟与资助信息（国家自然科学基金 62301189、62576122、62571298，广东省基础与应用基础研究基金 2026A1515011139）照录，不代表我们对结论的背书。

项	内容
论文	C-ReD: A Comprehensive Chinese Benchmark for AI-Generated Text Detection
发表	ACL 2026 Findings，arXiv 编号 2604.11796
作者单位	清华大学 / 南开大学 / 哈尔滨工业大学（深圳）/ 鹏城实验室

机构顺序不代表排名；口径以学校指定系统为准。

相关阅读：C-ReD 讲了什么：12.8 万条中文基准总览、AIGC 检测的国内研究地图、AIGC 检测报告怎么看、期刊的 AIGC 检测系统是怎么工作的。