一、引言
在 AIGC Detector 中，AI 率是模型对文本 AI 生成风险的评分，不是 AI 生成字数占全文字数的比例，也不能在未经校准的情况下解释为真实来源的概率。高分不足以单独证明文字由 AI 生成，低分也不能证明完全由人工撰写。不同工具的评分定义、模型与阈值可能不同，不能直接横向换算。
风险分数与检测准确率不是同一个量，不能从单篇文章的 AI 率反推系统准确率。
二、AI率检测的基本原理
不同系统可采用监督分类、语言模型概率分析或特征比较等方法。不能将检测统一简化为判断“语言是否过于顺畅”。这些方法分析文本特征，无法直接读取写作过程或作者身份。
三、AI检测准确率的影响因素
评估检测表现需要明确模型版本、语种、文本来源、长度、阈值和标注方法，同时报告误报与漏报。测试集的来源比例也会影响总体准确率，仅报一个数字不足以判断实际效果。
短文本、不同领域、生成模型变化和人工修订都可能改变表现。一个工具的英文评估不能直接推广为中文结论，历史工具的测试结果也不能作为本产品准确率承诺。
四、AI检测的主要局限性
检测可能误报人工文本，也可能漏报生成文本。修改输入会改变评分，但不保证变化方向或幅度。人机协作文本尤其需要结合编辑记录分析，不能用一个分数反推各自写作字数。
不同工具的分数不可直接比较。未经校准的风险分数，也不能作为真实来源概率或文本真实性的度量。
五、如何正确理解AI率检测结果
- 核对输入是否完整、语种是否正确。
- 定位高风险段落，结合上下文检查，而不是只看总分。
- 核实引用、数据、草稿与写作记录。
- 结合人工判断及实际适用规则作出结论，保留复核依据。
本文未提供本产品准确率实测，也不对语种或文体作未经评估的承诺。
六、未来的发展方向
后续评估应采用来源清晰、可复核的样本，公开适用范围与误差，并持续检查模型更新后的表现。不能预设检测效果会随时间自动提高。