Authormist Originality

🚀 AuthorMist Originality

AuthorMist Originality是一款专门的语言模型，旨在将AI生成的文本转化为更具人类风格的写作，同时保留原文的意思。该模型使用强化学习技术开发，专门用于绕过AI文本检测系统，尤其针对Originality.ai的检测算法。

🚀 快速开始

以下是使用AuthorMist Originality模型的示例代码：

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

• 绕过检测：经过专门训练，可绕过Originality.ai的检测算法，且具有较强的跨检测器泛化能力。
• 保留原意：与原文保持较高的语义相似度（>0.94）。
• 输出自然：生成的文本流畅、连贯，读起来自然。
• 应用广泛：在学术、技术和创意写作等多个领域均有效。

📚 详细文档

模型详情

性能表现

AuthorMist Originality在绕过AI文本检测方面表现出色：

• 平均AUROC：在六个主要检测系统中平均为0.49。
• 平均F1分数：在所有测试的检测器中平均为0.09。
• 语义相似度：与原文的相似度>0.94。

该模型在以下检测系统中表现尤为突出：

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

🔧 技术细节

AuthorMist Originality使用强化学习技术，特别是组相对策略优化（GRPO），以检测器反馈作为奖励信号进行微调。这种方法使得模型能够在保持与原文高语义相似度的同时，有效绕过AI文本检测系统。

📄 许可证

此模型根据MIT许可证发布。

💡 使用建议

⚠️ 重要提示

AuthorMist Originality是为研究目的而发布的，用于增进对AI文本检测局限性和隐私保护技术的理解。该技术具有双重用途，因此在使用时需考虑以下道德因素：

1. 学术诚信：在学术环境中，不应使用此模型将AI生成的内容伪装成人类撰写的内容。
2. 透明度：鼓励用户在内容创作中使用AI辅助工具时保持透明。
3. 隐私保护：该技术的主要合法用例是保护作者隐私，防止在允许使用AI辅助的情况下对AI辅助写作进行不公平的歧视。
4. 研究价值：此模型为当前AI检测系统的局限性提供了有价值的见解，并有助于关于AI文本检测和隐私的持续研究讨论。

💡 使用建议

在使用该模型时，请确保遵守相关的道德和法律规定，避免不当使用。

📖 引用

如果您在研究中使用了AuthorMist Originality，请引用我们的论文：

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

🙏 致谢

感谢Qwen2.5的开发者提供基础模型，以及CheckGPT数据集的创建者提供有价值的训练数据。