ImBD: detecção de conteúdo gerado por IA, detectando se o conteúdo é gerado por IA ou não

Introdução geral

O ImBD (Imitate Before Detect) é um projeto pioneiro de detecção de texto gerado por máquina apresentado na AAAI 2025. Com o uso generalizado de modelos de linguagem grande (LLMs), como o ChatGPT, o reconhecimento de conteúdo de texto gerado por IA tornou-se cada vez mais desafiador, e o projeto ImBD propõe uma nova abordagem "Imitar antes de detectar" que melhora a detecção por meio de uma compreensão mais profunda dos recursos estilísticos do texto da máquina e sua imitação. Esse método é o primeiro a propor a preferência de estilo do texto de máquina alinhado e estabelece uma estrutura abrangente de detecção de texto, que pode identificar com eficácia o texto gerado por máquina que foi modificado por seres humanos. O projeto adota a licença de código aberto Apache 2.0 e fornece uma implementação completa do código, modelos pré-treinados e documentação detalhada, o que facilita aos pesquisadores e desenvolvedores a realização de mais pesquisas e o desenvolvimento de aplicativos com base nisso.

Endereço de demonstração: https://ai-detector.fenz.ai/ai-detector

Lista de funções

• Oferece suporte à detecção de alta precisão de texto gerado por máquina
• Fornecer modelos pré-treinados para implantação e uso diretos
• Novo algoritmo de alinhamento de recursos de estilo textual implementado
• Inclui conjuntos de dados experimentais detalhados e referências de avaliação
• Fornecer treinamento completo e código de inferência
• Oferece suporte a dados de treinamento personalizados para o ajuste fino do modelo
• Inclui documentação detalhada da API e exemplos de uso.
• Fornece ferramentas de linha de comando para testes e avaliações rápidas
• Suporta processamento de texto em lote
• Inclui ferramentas de visualização para exibir os resultados dos testes

Usando a Ajuda

1. configuração ambiental

Primeiro, você precisa configurar seu ambiente Python e instalar as dependências necessárias:

git clone https://github.com/Jiaqi-Chen-00/ImBD
cd ImBD
pip install -r requirements.txt

2. preparação de dados

Antes de começar a usar o ImBD, é necessário preparar dados de treinamento e de teste. Os dados devem conter as duas categorias a seguir:

• Texto original preparado manualmente
• Texto gerado ou modificado por máquina

Requisitos de formato de dados:

• Os arquivos de texto precisam ser codificados em UTF-8
• Cada amostra ocupa uma linha
• Propõe-se dividir o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste na proporção de 8:1:1

3. treinamento de modelos

Execute o seguinte comando para iniciar o treinamento:

python train.py \
---train_data path/to/train.txt \\
--val_data path/to/val.txt \\
--model_output_dir path/to/save/model \\
---batch_size 32 \\
--learning_rate 2e-5 \\
--num_epochs 5

4. avaliação do modelo

Avalie o desempenho do modelo usando conjuntos de teste:

python evaluate.py \
--model_path path/to/saved/model \
--test_data path/to/test.txt \
--output_file evaluation_results.txt

5. detecção de texto

Detecção de textos individuais:

python detect.py \
---model_path path/to/saved/model \
--input_text "Conteúdo do texto a ser detectado" \
--output_format json

Detecção de texto em lote:

python batch_detect.py \
---model_path path/to/saved/model \
--input_file input.txt \
--output_file results.json

6. funções avançadas

6.1 Ajuste fino do modelo

O modelo pode ser ajustado com seu próprio conjunto de dados se você precisar otimizar o texto específico do domínio:

python finetune.py \\
--pretrained_model_path path/to/pretrained/model \\
---train_data caminho/para/domínio/dados \\
--output_dir path/to/finetuned/model

6.2 Análise de visualização

Analise os resultados dos testes usando a ferramenta de visualização integrada:

python visualize.py \
--results_file path/to/results.json \
--output_dir path/to/visualizations

6.3 Implementação do serviço de API

Implante o modelo como um serviço de API REST:

python serve.py \
---model_path path/to/saved/model \
--host 0.0.0.0 \
--port 8000

7. advertências

• As GPUs são recomendadas para o treinamento de modelos para aumentar a eficiência
• A qualidade dos dados de treinamento tem um impacto significativo no desempenho do modelo
• Atualizar regularmente o modelo para acomodar novos recursos de texto gerados por IA
• Atenção ao controle de versão do modelo durante a implementação em ambientes de produção
• Recomenda-se que os resultados dos testes sejam salvos para análise posterior e otimização do modelo

8. perguntas frequentes

P: Quais idiomas são compatíveis com o modelo?
R: No momento, oferecemos suporte principalmente ao inglês; outros idiomas precisam ser treinados com conjuntos de dados correspondentes.

P: Como posso melhorar a precisão dos meus testes?
R: O desempenho pode ser aprimorado com a adição de dados de treinamento, ajuste dos parâmetros do modelo e ajuste fino usando dados específicos do domínio.

P: Como a velocidade de detecção pode ser otimizada?
R: A velocidade de detecção pode ser aprimorada com o processamento em lote, a quantificação do modelo e o uso da aceleração da GPU.