经验案例
为什么修改后检测分数仍会变化
检测分数是概率信号，不是精确来源。
阅读全文 →经验案例
先重写结构，再谈降 AI 率
先改段落逻辑和表达节奏，再考虑词句替换。
阅读全文 →经验案例
投稿前证据链检查
补全引用、数据、方法和局限性说明。
阅读全文 →经验案例
保留作者语气的改写方法
保留术语、结论和作者口吻，再改表达。
阅读全文 →经验案例
数据与事实核对
用证据表逐条核对数字、来源和结论。
阅读全文 →经验案例
可用工作流模板
按核对、重排、改写、人审、复检的顺序处理。
阅读全文 →经验案例
工具选择与人工把关
工具只做辅助，最后由作者确认事实与规范。
阅读全文 →经验案例
避免过度“人味化”
不为降分牺牲准确性，保留保守版本。
阅读全文 →experience
先懂原理再降分：困惑度 + 突发性 + 模板密度
主流 AIGC 检测不是查「有没有 AI 指纹」，而是判断文本是否过于规整：用词可预测性（困惑度 Perplexity）偏低、句子长短与结构波动（突发性 Burstiness）偏小、高频模板连接词密集
阅读全文 →experience
GPTZero 使用手册：AI 概率、逐句高亮、Advanced Scan 与定价核验
GPTZero 以困惑度+突发性起家，现已转为深度学习分类器（第三方评测说法）；核心可操作输出是全文 AI 概率（human / mixed / ai 三档呈现）+ 逐句高亮，改稿时只盯连续被高亮的句
阅读全文 →case
四个检测器不是一把尺：跨平台分歧可达 95–100 个百分点
一份公开的 AIGC 检测平台可靠性研究报告（acadwrite.cn）对 13 个样本跨平台测试：同一文本在不同平台可从 0% 到 100%（如 Test9 维普 95% vs 知网 0% 量级的极
阅读全文 →prompt_pack
高危模板句清单：连接词、空转句、万能结尾
中文 AIGC 高分段的共同点是模板词密度过高。清单分三类：万能开头（在……背景下、随着……的不断发展、近年来）、空转过渡（值得注意的是、综上所述、总而言之、首先/其次/最后的机械排比、此外、与此同时
阅读全文 →experience
摘要降 AI 味：从「四句万能话」到「数字 + 条件 + 反常发现」
摘要是 AIGC 权重最高的段落之一，因为它最容易被写成背景—方法—结果—意义的匀速模板。改法：压缩背景到半句，方法写清样本与工具，结果给数字和方向，意义换成适用边界。
阅读全文 →experience
文献综述降 AI 味：停止「张三说、李四说」的排比罗列
AI 综述的典型病是作者排比 + 结论堆砌 + 一句「研究不足」收尾。改法是加入研究者动作：我读了多少篇、按什么标准筛、谁的样本放到我的场景为什么不成立、真正的空白具体在哪篇之后。
阅读全文 →experience
方法段降 AI 味：写出试错、参数与剔除标准
方法段被标疑似往往不是因为术语，而是只写了教科书流程、没写本研究实际怎么做。补三类私有信息最有效：为什么选这个方法（结合对象特点）、实际执行中的调整与试错、样本剔除/异常处理的具体数字。
阅读全文 →experience
结果段降 AI 味：数字先行，讨论写「出乎意料」与边界
AI 结果段爱写「显著提升、效果良好」的无数字结论，讨论段爱写万能解释。改法：结果句必带统计量或比例，讨论必须处理与假设/文献不一致的结果，并明确结论的适用条件。
阅读全文 →experience
结论降 AI 味：删「意义重大」，写贡献、局限、下一步的实指
结论是模板句密度最高的段落。合格的结论改写公式：一条具体发现（一句）+ 一条有实指的局限（缺什么数据/样本偏在哪）+ 一步可执行的后续（具体到对象与方法），不用排比、不用升华。
阅读全文 →prompt_pack
提示词包：限定素材生成，从源头避免通用套话
分数高多半输在起稿方式：一句「帮我写文献综述」只能换回全网套话。正确用法是先把自己读过的文献清单（每篇一句结论）、自己提炼的研究空白、自己调研的特殊发现喂给模型，并明令不得引用清单外文献、每个观点必须
阅读全文 →experience
四步闭环工作流：一篇论文只改被标的段，别整篇乱洗
可复用的完整流程：用学校指定系统出报告→按高亮密度排序，只处理连续标红/标紫段→每段按「删模板词 + 加私有数据/动作 + 打乱句长」三件事改→同系统复测到线下留约 5 个百分点余量→保存每轮报告与云
阅读全文 →troubleshooting
这些方法别用：同义替换、回译、加错别字、一键降 AI、代降包过
多家来源一致点名的无效/高风险做法：只换同义词或调语序（统计纹理不变）、中英互译回译（翻译腔反而更易被新版检测识别且语句生硬）、故意加错别字/乱码/空格（伤学术规范且对分类器无效）、用 AI 降 AI
阅读全文 →github_project
GitHub: eric-mitchell/detect-gpt — DetectGPT 官方实现
DetectGPT（Mitchell et al., 2023）的官方代码：不训练分类器，用掩码模型对文本做小扰动，比较原文与扰动版的对数概率落差（概率曲率）来判断机器生成。适合在本站做「检测原理可视
阅读全文 →github_project
GitHub: HendrikStrobelt/detecting-fake-text — GLTR 可视化工具
MIT-IBM Watson AI Lab 与 HarvardNLP 的 GLTR（ACL 2019 Demo）：按每个词在语言模型下的预测排名上色（Top-10 绿、Top-100 黄、Top-10
阅读全文 →github_project
GitHub: Hello-SimpleAI/chatgpt-comparison-detection — 含中文 HC3 语料与检测器
「How Close is ChatGPT to Human Experts?」(arXiv:2301.07597) 的官方项目：发布 Human ChatGPT Comparison Corpus（
阅读全文 →github_project
GitHub Skill: blader/humanizer — 26 类 AI 写作模式的改稿清单，可二次开发成本站 Skill
一个 Markdown 形态的 Agent Skill（MIT），依据 Wikipedia「Signs of AI writing」整理 26 类（新版合并为 25 类）AI 写作模式：如「不是 X，
阅读全文 →