无需大模型也能检测AI？博主用经典SVM算法识别AIGC文本，准确率超85%

针对网络文学平台上日益泛滥的AI生成内容，博主lyc8503尝试构建一种低成本、高效的AIGC文本检测方案。在发现基于困惑度的检测方法存在高误报率和高昂的推理成本后，作者转而利用经典的机器学习技术，通过Scikit-learn库中的线性支持向量机（LinearSVC）结合TF-IDF特征提取，实现了对AI生成文本的有效识别。在数据准备阶段，作者采集了2010年至2022年间发布的近万篇人类撰写的长篇小说作为正样本，并巧妙利用Gemini、Qwen、GLM、Kimi、DeepSeek等七种主流大模型API，生成对应的AI文本作为负样本。实验结果显示，这种基于统计学的“老派”方法在句子级别的检测准确率稳定在85%以上，部分模型分类器的F1分数超过0.89。为了方便使用，作者将模型参数导出为JSON格式，利用JavaScript在浏览器端实现了本地推理，无需后端服务器支持。测试表明，该工具对包括GPT-5.2、Claude Sonnet 4.6在内的未见过的模型也具有极强的泛化能力，且对翻译和提示词改写等常见的反检测手段具有极高的鲁棒性。

事件分析

💡 核心观点：大模型的“智能”本质依然是概率预测，经典算法能精准捕捉这种同质化的统计指纹，低成本方案在AIGC内容治理中具备极高的实战价值。