AI 内容检测器检查：它们有多好用？+ 您可以使用的工具 

我们认为，用于检查内容是否由 AI 生成的工具，必须清晰、诚实且负责任。任何需要判断内容是否由 AI 撰写的人，都应该能够轻松了解哪种工具最适合自己的需求。

AI 检测工具很重要，但并不总是准确。人们需要了解这些工具能做什么、不能做什么。开发这些工具的人也应该清楚说明工具的实际效果。

目前有一些关于 Bypass Engine 工具效果的信息，其中包括不同研究的报告。

点击此处即可免费测试 Bypass Engine 工具。

了解我们的 AI 检测器 

本指南将向你介绍如何选择顶级 AI 内容检测器，解释它们的工作原理，并提供用于测试准确性的工具。内容包括：

• 一个我们都可以用来测试 AI 检测器效果的数据集。
• 一个简单的工具，用于检查 AI 从不同数据集中识别内容的能力。
• 用于选择最佳检测测试的指南和计算器。
• 利用人人都能查看的数据，清晰展示事实的报告。

本指南将帮助你了解如何识别 AI 检测器、检查它们的效果、开展自己的实验，并比较不同检测器的表现。 

有任何问题吗？欢迎联系我们！

简明总结：

• Lite 现在已成为大家在简单 AI 辅助方面的首选（类似 Grammarly 提供的功能），取代了 Standard 版本。
• Turbo 3.0.1 是一款非常智能的工具，连最细微的 AI 痕迹也能发现。
• 选择 Turbo 3.0.1，打造不含 AI 的作品。
• 选择 Lite，获得更轻松的 AI 辅助并减少错误。
• Bypass Engine 的检测能力进一步提升，已成为最准确的 AI 检测工具。

AI 检测并不总是准确。有些人认为它能捕捉一切，而另一些人则认为它遗漏了很多。真实情况介于两者之间。我们都在等待 OpenAI 或其他机构能否向我们展示不同的结果。

– 在开发和使用 AI 时，保持透明并承担责任非常重要。 

– AI 检测器有助于遏制生成式 AI 可能对社会造成的一些负面影响。

让 AI 检测更加透明且负责任，有助于为学生和职场人士维护公平与安全。Bypass Engine 支持以正确的方式使用 AI，并推动信息公开透明，确保人们能够信任自己看到或读到的内容。

FTC 表示，对于 AI 识别 AI 生成内容的能力，相关说法需要谨慎对待。

用于事实核查的 AI 工具需要证明自己确实足够出色。如果它们在没有证据的情况下自称有效，可能会给所有人带来严重问题。 

FTC 表示，我们不应信任那些无法证明自身有效的工具。这些工具的开发者也认同 FTC 的观点，并且任何人都可以核查它们的工作效果。 

这类错误已经造成了一些问题，例如曾有一位教师因误判而给全班学生判了不及格。

人们无法辨别由 AI 生成的内容所带来的影响十分严重。 

我们需要能够识别这类 AI 生成内容的工具。目前已有的工具和研究还不够强大，无法应对这类内容可能造成的严重问题。

1. 广泛传播的误导性信息。 
2. 不实故事。 
3. 有害且令人反感的信息。 
4. 学校中的不公平抄袭 / 使用 AI 抄袭作业。 
5. 错误的观念。
6. 作弊的写作者。 
7. 弄虚作假的企业。
8. 捏造的产品好评。
9. 虚假的求职申请表。 
10. 捏造的大学入学申请文章。
11. 捏造的奖学金申请。

Originality.ai 版本历史：

2022 年 11 月 ：他们推出了测试版本，发布时间早于 ChatGPT。它能够检测 GPT-2、GPT-NEO、GPT-J 和 GPT-3。不过，只需进行一些小幅修改，就可以绕过它。

2023 年 4 月 ：识别 ChatGPT 生成内容的能力有所提升，即使有人修改了文字，也能进行判断。现在误判更少了。

2023 年 8 月：他们进一步提高了准确性，也更擅长识别经过 AI 修改的内容。他们还免费公开了一套数据集，并推出了用于检测 AI 检测器的新工具。

2024 年 2 月：他们利用 Grok、Mixtral、GPT-4 Turbo、Gemini 和 Claude 2 等新的 AI 技术，改进了 Turbo 3.0。其表现非常出色，准确率达到 98.8%，错误也更少。

2024 年 7 月 ：推出 Lite 1.0.0。其准确率达到 98%，错误率低于 1%。此外，它还能帮助判断文章是否借助了 AI（例如 Grammarly）完成。

2024 年 9 月：他们选定 Lite 作为最佳模型，并停止使用旧模型。

2024 年 10 月：推出 Turbo 3.0.1。它几乎不会出错，错误率低于 3%。该模型专为防止 AI 规避检测而设计，拥有极强的抗规避能力。

我们的 AI 检测器如何工作：简明指南

我们拥有一个能够判断内容是由计算机还是人类撰写的系统。

该系统通过研究大量由 AI 和人类撰写的示例不断改进。它利用强大的模型学习识别两者之间的差异。

想了解如何识别计算机生成的内容吗？

机器如何识别 AI 撰写的文本 机器 

下面将简单介绍三种主要方法：工具（在机器学习领域通常称为“分类器”）如何判断一段文本是由 AI 还是人类撰写的。

1. 利用特征解决问题

• 识别只有 AI 生成文本才会出现的模式。
• 突发性 体现了词语连续重复出现的程度。人们经常使用某些固定短语，而 AI 更倾向于变换用词。
• 困惑度 衡量下一个词是否容易被预测。AI 生成的文本通常更容易预测（困惑度较低），而人类撰写的文本更难推测（困惑度较高）。
• 词频特征 – 分析词语或短语出现的频率。异常模式可能表明文本受到了 AI 的影响。
• 研究发现，AI 生成的文本，尤其是较早版本生成的文本，通常很容易理解。
• AI 能正确使用标点符号，但读起来可能不如人类写作自然。
• 优点：速度快、成本低，适合较早期的 AI 系统。
• 缺点：难以应对 GPT-4 和 Bard 等复杂模型。
• 示例：GPTZero、Winston AI

2. 零样本方法

• AI 会将文本与自身的写作方式进行匹配。
• 优点：易于使用，无需额外学习。
• 缺点：改写措辞就很容易绕过检测
• 示例：GPTZero、ZeroGPT

3. 改进 AI 智能化的方法

• 利用智能程序（如 BERT、RoBERTa）进行检测，找出 AI 写作与人类写作之间的差异。
• 优点：这是判断文本作者的最佳方式。
• 缺点：成本高，而且难以及时跟上最新 AI 模型的发展。
• 示例：Originality.ai AI Detector、OpenAI Text Classifier（已下线）

我们讨论的这项测试，会利用前面提到的所有策略来评估不同检测器的表现。

测试方案：

我们通过以下几种方式测试了全新的 Bypass Engine AI 内容检测器：

1. 我们研究了三种不同类型，并使用了大量示例。 

2. 我们测试了它在一组规模较小但难度较高的数据上的表现。 

3. 我们使用自有工具进行测试；在无法使用自动化工具时，则手动输入信息。 

4. 我们使用知名数据集来评估 Originality.ai 的实际表现。 

我们还可以使用任何人都能访问的工具和专门的数据集，再次进行第二项测试。 

了解我们的全新对抗性 AI 检测数据集：

我们将分享一个专门用于测试 AI 检测器性能的数据集，并展示它们在哪些方面存在不足。该数据集包括：

• 高难度的机器生成文本（例如 ChatGPT-4 生成的文章，或经过改写的机器文本）。以及由人类撰写、用于进行对比的文本。

这些数据来自一个大型数据集，但没有被选入主要测试。它有助于确保测试公平且不带偏见。

请查看下方的表格，其中列出了各个数据集，并对每个数据集进行了简要说明。 

点击此处即可下载数据集。

检查效果的最佳方式是什么？试试使用你自己的数据！

使用包含你自己信息的数据来测试 AI 工具，有助于提高检测准确性。不过，你可能需要对工具进行一些调整，才能更好地识别虚假内容。试试我们的免费工具，看看检测器处理你自己数据时的效果。

了解方法与发现人人可用的免费工具：

人们开发了各种工具，帮助更准确地识别 AI 生成的内容。这些工具会提供信息、数据和清晰的细节。其中最优秀的工具能够通过专用代码与 AI 检测器配合使用，让检测过程更加便捷、准确。

1. 在同一天内，几乎同时完成所有测试。
2. 确保每个工具接收到完全相同的文本，且文本格式没有任何变化。
3. 快速测试新出现的数据集。
4. 让潜在客户或研究人员使用自己的数据，从而找出最符合自身需求的 AI 检测器。

新的 LLM 发布速度非常快，AI 检测技术也在不断改进。这意味着一项研究如果花费 4 个月才发表，发表时可能已经过时了。 

此工具的功能：

• 免费使用，无需付费即可获取
• 使用不同的 AI 检测器批量检查文本 
• 快速提供检测结果 
• 自动评估各个检测器的表现（例如准确率、错误率等）

查看这个实用工具： https://github.com/OriginalityAI/AI-detector-research-

工具。 

我们还添加了三种简单的方法，让你可以使用自己的数据集来操作我们的工具。

1. 在 Microsoft Excel 中查找 AI 生成的内容
2. 在 Google Sheets 中查找 AI 生成的内容。 
3. 在 AirTable 中查找 AI 内容。

我们对学校使用 AI 检测器及其误判问题的看法

仅凭 AI 检测分数来判断某人是否做错了事，可能会导致误判。 

为减少误判，开发者为作者和学生提供了指南，并推出了免费的 Chrome 工具，用于检查作品是否为原创。

新版本 1.0.0 Lite 专为学校打造，可借助类似 Grammarly 的工具轻松完成细微修改。

如何检查 AI 检测器是否准确

下面介绍我们如何判断用于识别 AI 生成内容的 AI 检测器是否可靠。内容可能会有些技术性，但如果你想深入了解，我们还准备了更多详细信息。 

仅用一个数字来说明检测器的表现，实际上并没有太大帮助！ 

在不了解更多背景的情况下，你不应该只相信一个“准确率”分数。 

让我们看看有哪些不同的方法，可以评估这些检测器的效果……

混淆矩阵 

混淆矩阵和 F1 分数可以帮助我们了解 AI 模型区分真实内容与 AI 生成内容的能力。通过一张图，你就能快速掌握这些信息。

• 真正例（TP）表示正确识别出由 AI 生成的文本。
• 漏检（FN）——AI 检测器判断错误，将 AI 生成的内容标记为人类撰写。 
• 误报（FP）——AI 检测器判断错误，将人类撰写的内容说成是 AI 生成的。 
• 真负例——正确识别人类撰写的内容。

使用 GPT-4 和人工数据理解混淆矩阵：简明版 1.4

真正例率——识别 AI 文本

它在 x% 的情况下能够正确识别 AI 生成的文本。真正例率（TPR）也称为灵敏度、命中率或召回率。

• 真正例率 TPR = TP / (TP & FN)

真负例率——识别人类写作：

它在 x% 的情况下能够正确判断内容是否由人类创作。真负例率 TNR（也称为特异度或选择性）。

• 真负例率 TNR = TN / (TN & FP) = 1- FPR

准确率：

准确并不是唯一重要的指标——一些识别 AI 写作的工具可能声称自己非常出色，但并不会展示其工作原理。

• 准确率 = 正确 / (正确 + 错误) = (TP + TN) / (TP + TN + FB +FN)

F1：

一种将准确率与识别所有重要内容的能力巧妙结合起来的评分，用于公平评估 AI 检测器。

• F1 = 2 x (PPV x TPR) / (PPV + TPR)，其中精确率（PPV）= TP / (TP + FP)

我们考虑过但未采用的指标：

• 我们没有纳入 ROC 和 AUROC，因为无法调整其他工具的灵敏度，而且有些工具不使用百分比评分。
• 精确率，即 PPV =TP /(TP+FP)，也未采用。

那么，究竟什么才算 AI 内容？

什么算 AI 内容，什么不算？随着人类和 AI 助手共同完成的写作越来越多，判断哪些内容完全由 AI 生成变得越来越困难！ 

一些研究对于什么算是真正的人类写作、什么算是 AI 生成的写作，做出了奇怪的判断。 

例如，一项研究分析了用不同语言由人类写成、再借助 AI 翻译成英语的文本，却仍将其称为真正的人类作品。 

数据集描述：

声称这个 AI 生成的数据集看起来像是由人类写成的？？？

https://arxiv.org/pdf/2306.15666.pdf

AI 检测器必须能够识别经过大幅修改的 AI 生成文本。即使是细微的编辑，也可能掩盖文本由 AI 生成的事实。因此，我们会按照不同方式对经过 AI 处理的内容进行分类。

• AI 生成的写作 = AI 生成
• 经人类改进的 AI 写作 = AI 生成
• AI 生成后经过大量人工修改 = AI 生成
• 由 AI 制定计划，但由人类大量创作和修改 = AI 生成
• 人类写作，仅获得少量 AI 帮助 = 视情况而定
• 由 AI 开展研究，但由人类写作 = 真正由人类创作
• 写作和校对均由人类完成 = 真正由人类创作

我们在写作中使用的 AI 越多，就越容易察觉文本是由 AI 写成的。记者 Kristi Hines 和其他人对此进行了研究，并在 Search Engine Journal 上分享了他们的发现。

我们正在检查 Bypass Engine 新 Lite 版本在 2024 年 7 月更新中的独特性。

终于到了！是时候进行一些测试了

更新、更出色的 LLM 不断涌现，因此我们必须持续更新模型和测试方法。 

认识 Version Lite 1.0.0。

我们在 2024 年 7 月发布了 Version Lite 1.0.0。来看看这个全新 Lite 模型在我们的测试中表现如何。

1. Lite 版本非常擅长识别人类写作，误判很少，即使是识别经过 AI 细微修改的内容也表现出色。
2. 不同数据集的表现

• Lite Version 1.0.0 可以判断内容是否经过少量 AI 修改，或是否完全由 AI 生成。
• 当它判断某段内容由 AI 生成时，误判概率极低，仅为 1%（优于旧版 Version 2.0.0）。在识别 AI 生成内容方面，它的漏检率也很低，仅为 2%。 
• 在参与的 10 项 AI 测试中，它有 4 项取得了最高准确率。

3. 要点：错误率极低，尤其擅长识别仅经过少量 AI 修改的内容。

Version Lite 1.0.0 非常擅长识别 Grammarly 等 AI 工具进行的修改，而且几乎不会误判。因此，它非常适合学校和教育场景。

评测 6 款识别隐蔽 AI 内容的工具

接下来，我们将通过测试来检查不同 AI 检测器的表现。

为了反复进行这些测试，我们使用了……

1.  认识我们的全新工具：开源 AI 检测器准确率检查器。 
2. 看看以下免费数据集，了解这些工具的表现：

• 开源对抗性 AI 检测基准
• ChatGPT 检测器偏差数据集

测试 #2 难度较高。它采用了 GPT-3、GPT-4、ChatGPT 和 Paraphraser 数据的严苛设置，与大多数使用常规 AI 内容的 AI 识别工具并不相同。

查看测试 #2——我们的发现 

你可以在此下载分数、数据和详细信息：

• https://drive.google.com/drive/folders/14uCk9s8ypSp63Yd-M4EGYr9uDyO4U9D0?usp=drive_link

测试编号 2——检查 AI 是否能识别 AI 写作的结果：

我们曾使用旧版本 2.0.0 进行这项测试，但现在已经不再使用它。 

现在，让我们看看最新版本 Lite 在这些测试中的表现。

• 表格按照一个特殊指标 F1 排序。这个指标反映了它识别 AI 内容以及判断内容由人类创作的能力。
• 每款工具在避免混淆方面的表现都还不错，错误率最低为 0.8%，最高为 7.6%。
• 它们识别 AI 内容的能力差异很大，范围从 19.8% 到 98.4%。

测试 #2——各 AI 检测器如何识别容易混淆的内容：

使用 Bypass Engine 理解数据——简析我们对挑战性数据集进行的第二次实验 

[Turbo Model 3.0.1]

[Lite Model 1.0.0]

Winston.AI——试用——使用挑战性数据进行的第二次实验

Winston.ai F1 = 52.0

Tree.AI——混淆表——实验 #2 挑战性数据检查

Sapling.ai F1 = 37.9

GPTZero 对抗混淆——第二轮：使用高难度数据进行测试

GPTZero F1 = 34.2

探索 Content at Scale——理解混淆——实验 #2：测试挑战性数据

ContentatScale F1 = 33.4

CopyLeaks：在棘手数据集上进行测试

CopyLeaks F1 = 32.9

测试 #2 的问题：

简化输入：由于计算机无法完成所有工作，我们不得不手动检查 ContentAtScale、TurnItIn 和 WinstonAI 等 AI 工具。结果可能存在错误，但我们对不确定的内容进行了复核。

数据质量：数据集取自一个更大的数据集合，且未经过全面清理，因此部分示例可能并不完美。

2024 年 2 月 13 日，我们检查了全新的 AI 检测器，并于 2023 年 7 月 24 日至 28 日进行了测试。这些测试反映了它当时的表现，但不一定能说明它日后的效果。

我们的 AI 研究团队表示，仅使用 2,000 项测试并不能全面反映它的工作原理。

需要使用不同信息来检验准确性？使用我们的免费工具，测试多种类型的数据。

• 开源 AI 检测器对比工具与数据集：现已推出

测试 #3——其他 AI 检测数据集及另外 5 项测试：

这里还有更多数据供你测试。 

我们没有使用这些数据测试所有工具，但测试了 Bypass Engine。以下是 Bypass Engine 的表现。

所有这些数据都来自任何人都可以阅读的研究论文。

下面我们将比较 Lite 和 Turbo 模型之间的差异。

测试 3-A：ChatGPT 与真实人类专家有多相似？

• 研究显示，该模型的表现比人工评审高出 8.8%，甚至超过了最优秀的专家。在研究中的不同测试里，它也取得了比其他模型更高的分数。
• https://arxiv.org/pdf/2301.07597.pdf
• https://huggingface.co/datasets/Hello-SimpleAI/HC3

Bypass Engine 测试 #3-A：将 ChatGPT 的文字转化为人类表达

[Turbo Model 3.0.1]

‍

[Lite Model 1.0.0]

测试 3-B：检测计算机生成的科学文章

• https://aclanthology.org/2023.trustnlp-1.17.pdf.
• https://huggingface.co/datasets/tum-nlp/IDMGSP
• 根据测试评分标准，我们的模型比另外四个模型更准确。它无需从研究论文中学习。不过，如果其他三个模型使用几乎所有类型的测试数据进行训练，它们的表现会略胜于我们的模型。 

Bypass Engine：测试 #3-B——检测 AI 撰写的文章

[Turbo Model 3.0.1]

[Lite Model 1.0.0]

‍数据集与结果

测试 3-C：检测大型 AI 系统生成的文本

• 论文显示，独特性胜过了所有参与测试的检测器。
• 论文：https://arxiv.org/pdf/2305.15047.pdf
• 数据集：https://github.com/vivek3141/ghostbuster（2,895 个样本）

Ghostbuster 测试——混淆矩阵——Bypass Engine，测试 3-C

[Turbo Model 3.0.1]

[Lite Model 1.0.0]

‍数据集与结果

测试 3-D——了解 AI 如何检测其生成的文章

• 我们在两个类别中都取得了 100% 的满分。
• 瑞典英语学习者撰写的文章展示了我们的模型在处理英语学习者文本时的表现。
• 我们的表现超过了这里提到的每一个模型。
• https://www.mdpi.com/2076-3417/13/13/7901
• https://github.com/rcorizzo/one-class-essay-detection

Bypass Engine——理解混淆矩阵——测试 #3-D——检测 AI 撰写的文章

[Turbo Model 3.0.1]

‍数据集与结果

测试 3-E——识别 AI：使用 CheckGPT 找出 ChatGPT 撰写的学校作文

• 我们的系统非常擅长识别 AI 生成的文本，准确率达到了 96.7%。这还包括物理学、计算机科学和社会研究等高难度主题，而这些主题并不是我们开发系统时重点关注的领域。GPTZero 的得分为 61.2%。
• 我们检查了 9,000 个样本，准确率达到 94.5%，几乎与同类研究中的最佳结果不相上下。尽管我们采用了不同方式进行测试，但表现依然非常出色，在判断内容是否由 AI 生成方面远胜 GPTZero。
• https://arxiv.org/pdf/2306.05524.pdf
• https://huggingface.co/datasets/julianzy/GPABenchmark

TryMe Originality – 困惑谜题 – 测试 #3-E – 你能认出我吗？

[Turbo Model 3.0.1]

‍数据集与结果

其他研究 

我们没有提到的其他研究和数据也存在同样的问题……

• 样本量过小（使用 100 个样本实在不够！）
• 等待时间过长 — 研究从完成到发表如果耗时太久，就会成为问题，因为相关情况变化很快。
• 不共享数据 — 研究不公开数据时，总是令人失望。
• 工具对比 — 每当比较工具或准确率时，都应公开所使用的数据。 
• AI 测试过于简单 — 制作难度较高的 AI 与人类文本测试既困难又昂贵，但制作简单的 AI 测试又过于容易。使用 GPT-2 生成的数据进行测试，无法为我们提供太多信息。
• 值得关注的其他测试：
• HuggingChat AI Detector 
• Paraphrase Plagiarism Checker

第三方机构还开展了另外六项研究，结果发现，Originality 的准确性最高。

• 探索识别 AI 生成文本的能力
• 研究如何识别 AI 生成的文本
• 程序识别 AI 生成文章的能力有多强？
•  深入了解“RAID”研究 
• 当 AI 用于撰写医学主题内容时
• 关于 AI 在科学摘要中所扮演角色的研究
• 检查学生是否使用 AI 完成作业

我们使用了自己的数据，以及所有人都可以获取的其他数据。测试结果持续表明，Originality.ai 擅长识别 AI 生成的内容。

所有 AI 文本检测工具

下面是一份寻找 AI 内容检测工具的简单指南。如果你想比较更多 AI 检测器及其功能，可以查看这篇文章：“22 款 AI 内容检测工具”。 

工具列表：

1. HuggingFace
2. GLTR.io AI 
3. Passed.AI
4. Writer.com 
5. Willieai.com 
6. GPTZero
7. ContentAtScale
8. CopyLeaks
9. POE Poem of Quotes
10. DetectGPT
11. On-Page.AI
12. GPTRadar.com
13. Percent Human
14. Grover 
15. KazanSEO
16. Sapling
17. CrossPlag
18. CheckForAI.com
19. Draft & Goal
20. GPTkit.ai
21. ParaphrasingTool.ai 
22. OpenAI 文本分类器（已移除）
23. AI 写作检查器
24. Winston AI
25. InkForAll
26. ContentDetector.ai
27. WriteFull
28. ZeroGPT
29. TurnItIn
30. Bypass Engine

测试证明，有些工具确实比其他工具更好！许多工具开发得很快，只是使用了广受欢迎的开源 GPT-2 检测器（它上个月的下载量达到了 195k）。

为什么我们的模型效果更好？

以下是我们认为 Originality.ai 比其他现有选项更擅长识别 AI 生成内容的原因：

1. 这个 AI 模型需要消耗大量算力，因此运行成本很高。所以，它不可能免费，也无法依靠广告支持。
2. 这个 AI 工具专为互联网写作者打造。它通过阅读在线内容进行学习，从而判断一段文字是由人类还是 AI 撰写的。它不会分析旧书，因为旧书的写作方式有所不同。
3. AI 会通过研究高难度问题和各种应对技巧不断提升，并针对新问题进行调整，从而提高准确性。

结语 

Bypass Engine 团队一直在努力提升 AI 内容检测器的性能，力求达到行业顶尖水平。

成果……

• Bypass Engine 发布 Lite 1.0.0。
  • Lite 1.0.0 非常精准，成功率达到 98%。它只有 1% 的概率出错。你还可以用它来改进写作，就像参考 Grammarly 的建议一样。它非常适合完成学校作业。
• Bypass Engine 发布 Turbo 3.0.1
  • Turbo 3.0.1 几乎总能给出正确结果，错误极少，而且很难被绕过。
  • 如果你绝对不希望文章中包含 AI 痕迹，请选择 Turbo 3.0.1。 
  • 如果你可以接受修正一些小问题，那就选择 Lite。
• 在六项不同的研究中，最新版本的 Bypass Engine 在每次准确识别结果方面都表现最佳。
• 我们使用一组全新的高难度测试，评估了六款用于检测文章是否由 AI 撰写的工具。在识别 AI 生成内容方面，表现最佳的是 Bypass Engine。
• 一种易于使用的新工具及专用数据集，用于快速测试已开发并发布的检测器

我们希望这篇文章能帮助你更轻松地了解 AI 检测器及其准确性。如果你有兴趣，我们希望为你提供工具，让你能够自行进行验证。 

我们的信念……

1. 在开发和使用 AI 时，我们应当保持开放并承担责任。
2. AI 检测工具有助于减轻 AI 可能对社会造成的一些负面影响。 
3. AI 检测工具的准确与误判情况，应当像 AI 的开发和使用一样，以清晰且负责任的方式公开说明。

我们希望这项研究对你有所帮助。对 Bypass Engine 有疑问吗？ 

联系我们。

想要自行开展测试？欢迎告诉我们。无论你是学生、记者，还是单纯想进一步了解，我们都愿意为你提供帮助。 

了解 Bypass Engine 在不同研究中的准确率，并亲自试用我们的 AI 检测器！