Authormist Originality

🚀 AuthorMist Originality

AuthorMist Originality是一款專門的語言模型，旨在將AI生成的文本轉化為更具人類風格的寫作，同時保留原文的意思。該模型使用強化學習技術開發，專門用於繞過AI文本檢測系統，尤其針對Originality.ai的檢測算法。

🚀 快速開始

以下是使用AuthorMist Originality模型的示例代碼：

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model_name = "authormist/authormist-originality"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# Prepare input text
ai_text = "Your AI-generated text here..."
prompt = f"""Please paraphrase the following text to make it more human-like while preserving the original meaning:

{ai_text}

Paraphrased text:"""

# Generate paraphrased text
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(
    inputs.input_ids,
    max_new_tokens=512,
    temperature=0.7,
    top_p=0.9,
    do_sample=True
)
paraphrased_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(paraphrased_text.split("Paraphrased text:")[1].strip())

✨ 主要特性

• 繞過檢測：經過專門訓練，可繞過Originality.ai的檢測算法，且具有較強的跨檢測器泛化能力。
• 保留原意：與原文保持較高的語義相似度（>0.94）。
• 輸出自然：生成的文本流暢、連貫，讀起來自然。
• 應用廣泛：在學術、技術和創意寫作等多個領域均有效。

📚 詳細文檔

模型詳情

性能表現

AuthorMist Originality在繞過AI文本檢測方面表現出色：

• 平均AUROC：在六個主要檢測系統中平均為0.49。
• 平均F1分數：在所有測試的檢測器中平均為0.09。
• 語義相似度：與原文的相似度>0.94。

該模型在以下檢測系統中表現尤為突出：

• Hello SimpleAI（AUROC：0.07）
• Sapling（AUROC：0.13）
• Winston.ai（AUROC：0.35）

🔧 技術細節

AuthorMist Originality使用強化學習技術，特別是組相對策略優化（GRPO），以檢測器反饋作為獎勵信號進行微調。這種方法使得模型能夠在保持與原文高語義相似度的同時，有效繞過AI文本檢測系統。

📄 許可證

此模型根據MIT許可證發佈。

💡 使用建議

⚠️ 重要提示

AuthorMist Originality是為研究目的而發佈的，用於增進對AI文本檢測侷限性和隱私保護技術的理解。該技術具有雙重用途，因此在使用時需考慮以下道德因素：

1. 學術誠信：在學術環境中，不應使用此模型將AI生成的內容偽裝成人類撰寫的內容。
2. 透明度：鼓勵用戶在內容創作中使用AI輔助工具時保持透明。
3. 隱私保護：該技術的主要合法用例是保護作者隱私，防止在允許使用AI輔助的情況下對AI輔助寫作進行不公平的歧視。
4. 研究價值：此模型為當前AI檢測系統的侷限性提供了有價值的見解，並有助於關於AI文本檢測和隱私的持續研究討論。

💡 使用建議

在使用該模型時，請確保遵守相關的道德和法律規定，避免不當使用。

📖 引用

如果您在研究中使用了AuthorMist Originality，請引用我們的論文：

@article{authormist2025,
  title={AuthorMist: Evading AI Text Detectors with Reinforcement Learning},
  author={David, Isaac and Gervais, Arthur},
  journal={arXiv preprint},
  year={2025}
}

🙏 致謝

感謝Qwen2.5的開發者提供基礎模型，以及CheckGPT數據集的創建者提供有價值的訓練數據。