功能介绍

面向论文与长文的 AIGC 检测、AI 率检查桌面工具

当前版本的核心能力很明确:粘贴或导入文稿后一键检测,输出整体 AI 率,逐段标注风险等级,定位疑似 AI 生成内容;

AIGC 检测 AI 率检查 段落风险定位 检测报告 润色改稿 历史记录 授权激活
核心模块

主要功能一览

从文稿导入到 AI 率报告,围绕 AIGC 检测与 AI 率检查形成一条完整链路。

授权与本地缓存

  • 首次启动会先走授权校验,支持激活、校验授权、解绑当前设备和打开购买页。
  • 本地会缓存最近一次成功授权的信息,重开软件后可继续校验使用。

文稿导入与检测双栏

  • 左边粘贴或导入待检测文稿,右边展示检测结果与段落风险标记,边看边定位。
  • 文稿和结果都支持复制、清理、撤销、重做和字体大小调整。

整篇 AIGC 检测

  • 点击“开始检测”后直接对整篇文稿进行 AIGC 检测,结果实时回填到右侧。
  • 检测过程中可以停止任务,完成后结果仍可继续查看与人工复核。

段落级风险定位

  • 检测后逐段标注风险等级,高亮疑似 AI 生成内容,方便直接定位问题段落。
  • 更适合只看某几句、某一段的风险情况,不必通读整篇报告。

整体 AI 率汇总

  • 检测完成后给出整体 AI 率与疑似 AI 生成占比,快速判断文稿整体是否需要处理。
  • 告一段落后可再次检测,对比处理前后的 AI 率变化。

检测维度与判定依据

  • 检测会结合文本的用词规律、句式变化与上下文特征,综合判断 AI 生成倾向。
  • 支持查看判定依据说明,帮助理解某段为何被判为高风险。

底层检测逻辑

  • 当你输入文本时,模型会先通过 Tokenizer 把文字切成 token ids,再映射成高维 embedding。
  • 随后文本进入 Transformer,通过 self-attention 建立上下文关系,多层网络处理后输出每个位置的概率分布用于判定。

怎么理解检测结果

  • 从原理上看,模型会得到一组 logits 并转成概率,所以同一段文字在不同文本特征下会得到不同的 AI 率评估。
  • 像 `logprob`、困惑度(Perplexity)、突变性(Burstiness)这些概念,适合拿来理解文本为什么会显得“稳”“板”或“不像人写”。

历史检测记录管理

  • 左侧有历史记录列表,支持新建检测、加载历史、删除单条记录和清空全部历史。
  • 历史记录支持重命名、复制检测结果和导出报告。

高风险段落标注与查找

  • 内置查找 / 替换弹窗,支持查找下一个、替换当前和全部替换。
  • 适合检测后定位高频模板词、敏感表达,并做局部人工修订。

检测报告导出与复制

  • 当前项目真实支持的是检测报告导出为 `txt`,并支持一键复制文稿或结果。
  • 更适合把检测结论直接交到下一步人工校对或外部文档工具里。

检测速度与性能反馈

  • 界面会显示设备性能评级和当前检测速度,方便判断本机跑起来大概是什么状态。
  • 对 CPU / GPU 速度差异比较敏感,长文检测建议分批处理。
标准流程

一轮检测通常怎么用

1. 完成授权激活。

2. 把待检测文稿粘贴到左侧输入区,或直接导入 TXT。

3. 点击“开始检测”,等待程序输出整体 AI 率与段落风险结果。

4. 查看高风险段落,判断哪些位置需要人工复核或处理。

5. 最后从历史里保留记录,复制结果或导出检测报告。

界面特点

它更适合这种使用方式

文稿和检测结果对照着看 先整篇检测一版,再定位高风险段落 同一篇内容处理前后各检测一次做对比 保留多个历史记录做比较 最后导出检测报告留档
原理说明

可以这样理解模型怎么判断 AI 率

用户输入文本后,模型不会直接“读懂意思再下结论”,而是先把文字切成 token,再转成向量。

这些向量进入 Transformer 后,会通过 self-attention 去看前后文之间的关系,判断每个位置的用词与句式是否符合人写特征。

经过多层网络处理后,输出层会得到整张词表的候选概率,也就是常说的 logits;再结合困惑度、突变性等指标综合判断文本的 AI 生成倾向。

所以 AI 率不是简单数关键词,而是在“上下文 + 概率分布”的基础上,评估文本整体像不像人写。

这些词放在这里更好理解

  • Transformer:负责处理上下文关系,是整套检测能力的核心骨架。
  • logprob:可以粗略理解为模型对每个位置输出有多“确信”。
  • Perplexity:常被用来理解文本是不是太单一、太可预测。
  • Burstiness:可以拿来理解句长、节奏、变化感够不够自然。
使用方式

几种最常见的实际用法

整篇先检测一版

把整篇文稿粘进去或导入 TXT,先跑一遍检测,看整体 AI 率与风险分布。

定位高风险段落

根据逐段风险等级,快速找到疑似 AI 生成较重的位置,优先人工复核或处理。

处理后再检测对比

对高风险段落做检测,对比前后 AI 率变化。

按历史记录回看

每次检测会生成历史记录,可以重命名、重新打开、复制结果,适合保留多次检测做比较。

查找替换做最后清理

检测完成后,用内置查找替换统一某些词语、口头禅或你不想出现的表达。

导出检测报告留档

结果确认后直接导出报告,或者先复制出去,用于交稿、存档或后续人工校对。

检测思路

我们更希望它把检测做到什么程度

如果你要的是“能看出风险的检测结果”,通常不是靠数关键词,而是靠下面这些维度综合判断。

看语序和节奏是否过于整齐

会重点关注句长、语序和节奏是否整齐划一,拉高变化感和爆发系数,判断是否更像机器生成。

看是否缺少人的表达

真人写作常带个人视角与思维转折,检测会结合这些特征,判断语气是否像真人表达。

识别机械过渡词

像“综上所述”“此外”“值得注意的是”这类高频模板词,会被重点标记为高风险特征。

看表达路径是否单一

重点不只看某个词,而是看整段的句式、落点和语感是否过度单一,从而评估 AI 生成倾向。