技术博客_AI小说检测器实验复盘
我做了一个中文 AI 小说检测器，然后花了大部分时间研究它为什么会判错
一个轻量中文 AI 文本检测器的实验复盘：从误判排查到分布偏移。
这不是一篇「我做出了 86.71% 准确率模型」的技术汇报。恰恰相反，它记录的是一个能运行的分类器，如何在一连串误判和漏检中，被一次次实验逼着承认自己能力的边界。
我也用 AI 工具（agent）帮我写脚本、跑实验、整理分析。但本文最想讲清楚的，是哪些决定是我做的、哪些结论是我亲手用数据核对的，以及我为什么几次拒绝了 AI 给的漂亮解释。
目录
- 01 · 项目动机
- 02 · 第一轮踩坑：我以为加特征会更好
- 03 · 数据问题：150 篇「没有句号」的网文
- 04 · 假设被推翻
- 05 · 失败也要记录
- 06 · 最终结果与局限
- 07 · 个人复盘：AI 帮我加快了实验，但没有替我决定结论
- 附录 A · 关键结果汇总
- 附录 B · 完整实验记录索引
- 附录 C · 复现与数据说明
01 · 项目动机
我在做一个本地的「小说设定编写器」——用户可以配一个 OpenAI 兼容接口，让大模型按关键词生成小说设定。做着做着，我冒出一个很自然的想法：能不能加一个标签页，让用户粘贴一段文字，判断它是人写的还是 AI 生成的？
这个需求听起来简单，但我在动手前就清楚几件事：
- 中文文学文本没有英文检测器里那么明显的「困惑度断层」信号；
- 现代大模型生成的中文已经很自然，检测难度远高于早期的 GPT-2；
- 我是一个个人开发者，硬件和算力有限，只能做轻量方案——微调一个小模型 + 一个简单分类头，而不是训练大模型。
所以我从一开始就没指望「造一个完美的检测器」。我的目标是：做一个能用的、并且我知道它会在哪里失效的东西。
整个项目的架构很简单：
文本输入
│
▼
微调 RoBERTa（chinese-roberta-wwm-ext）
│ 提取 [CLS] 向量（768 维）
▼
StandardScaler → LogisticRegression
│
▼
判定分 0-100（越高越倾向 AI 生成）
（辅助大模型：只做「文本风格分析」，不参与判定）
回头看，这个项目真正花时间的不是训练模型，而是搞清楚它为什么判错。下面几章就是这段排查史。
02 · 第一轮踩坑：我以为加特征会更好
我最开始的直觉是「特征工程越丰富越好」。于是花了相当多时间做了好几组对比，结果被打脸得很彻底：
| 方案 | 独立测试准确率 | 我的结论 |
|---|---|---|
| 纯统计特征（句长标准差、4-gram 重复率、标点变异、套话命中等 8 个） | 33.3% | 严重过拟合，弃 |
| 概率特征（3 个）拼接 | 83.3% | 没有增量 |
| 残差门控融合（统计+PPL+判别加权） | 66.7% | 反而退化 |
| 微调 RoBERTa + 分类头 | 83.3% | 最优 |
这一轮最重要的收获，不是「找到了最优方案」，而是逼自己用独立测试集的数据做决定，而不是凭直觉。我原本很看好「融合」方案——多个引擎投票听起来就靠谱，但它在独立测试集上只有 66.7%，比单模型还差。
我当时让 AI agent 帮我写这些 ablation 脚本、跑实验，但「要不要放弃融合、回退到朴素方案」这个决定是我自己做的。也是从这一轮开始，我养成了一个习惯：每一次加东西，都要先问「它到底有没有在独立数据上带来增量」，没有就砍掉。
这个习惯贯穿了后面所有实验——因为后面反复出现「越复杂的补强手段，收益越小甚至为负」。
03 · 数据问题：150 篇「没有句号」的网文
训练集里，人类样本来自两部分：约 220 篇经典文学（白鹿原、骆驼祥子、基督山伯爵、秦吏等），和 150 篇来自 CNNovel125K 的网文。
一开始我根本没注意到一个细节：那 150 篇网文几乎「没有句号」。准确地说，是缺少句末标点、句子边界缺失——逗号、省略号、引号都还在，但整段读下来找不到几个句号，一句话能拖几百字（这 150 篇的平均句长高达 325 字，句数只有 1.03）。
这带来一个具体的问题：这些文本要不要用、怎么用？ 我做了一组对照实验（A/B/C/D 四组），分别用「150 篇无句号网文」「75 篇」「0 篇」「150 篇补过句号的网文」训练：
| 组 | 训练人类构成 | 143 样本总体准确率 |
|---|---|---|
| A | 150 无句号网文 | 87.4% |
| B | 75 无句号网文 | 83.9% |
| C | 0 网文 | 83.2% |
| D | 150 补句号网文 | 88.8% |
说明：这是单次训练的结果，后面（第 06 章）我会用多 seed 再谈稳定性，这里先看相对趋势。
两个反直觉的结论：
- 无句号网文不是灾难，反而有价值。 C 组（把网文全删了）反而最差。网文文本本身是有效的训练信号，标点问题的影响远小于「删掉网文」的损失。
- 补句号有用，但收益不大。 D 组总体最好（88.8%），比 A 组高 1.4 个点。
真正让我意外的是「人类中心」分析。我把无句号网文原文和正常人类样本分别算到各自模型的「人类类中心」距离，得到这样一个梯度：
| 组 | 无句号网文到人类中心 | 正常人类基准 | 游离度差距 |
|---|---|---|---|
| A | 0.0247 | 0.0381 | -0.0134（比正常人类还近） |
| C | 0.0632 | 0.0372 | +0.0260（明显游离） |
| D | 0.0617 | 0.0631 | -0.0013（几乎无差） |
这个梯度揭示了「补句号」真正的价值，不是那 1.4 个点，而是机制层面的：
A 组把「没有句号」这个表层形式当成了「人类信号」——无句号网文到人类中心的距离比正常人类还近，说明模型学到的是「没有句号 = 更像人」这种廉价的形式捷径。
D 组补句号后，模型学到的是「网文的内容」，而不是「有没有句号」——所以无句号网文几乎不游离。
换句话说，补句号把模型从「形式捷径」掰回了「内容理解」。这个发现对我后来的很多判断都有影响：模型最容易被表层形式带偏，而这类捷径在真实场景里毫无区分力。
顺带一提：给 150 篇网文补句号时，我一开始用串行调用 API，每篇要 100 秒、150 篇要 4 小时。改成 10 线程并发后十几分钟跑完。这是一个很小的工程教训，但很典型：凡是能并行的 API 调用，不要串行。
04 · 假设被推翻
这是整个项目里我最想写清楚的一章，因为它最能体现我到底在做什么。
模型漏检了一些 AI 文本。于是我和 AI agent 一起提出了一连串假设，然后逐个去验证。大部分假设最后都被推翻了，但每推翻一个，我对问题的理解就更近一步。
假设一：「静态罗列描写」是罪魁祸首
有三个真实的人类文学片段被模型误判成 AI（白鹿原「求雨」70.9%、骆驼祥子「逃兵营」77.8%、永远讲不完的故事「书房」99.5%）。
我对「书房」做了遮挡测试——逐句删除，看删掉哪句后 AI 概率掉得最狠：
| 删除的句子 | 剩余文本 AI 概率 | 变化 |
|---|---|---|
| （baseline） | 99.5% | — |
| 删第 6 句（「地上放着一叠叠大开面的书…切口金光闪烁」） | 0.2% | -99.3 |
| 删第 8 句（「灯光里不时升起一个烟圈…」） | 2.6% | -96.9 |
删掉一句「静态罗列描写」，判定从 99.5% 掉到 0.2%。我又做了反事实实验：保持「书房/老先生」内容不变，只改表面形式——去掉外貌静态罗列后，判定从 99.5% 掉到 0.0%。
到这里，我必须诚实地说清楚结论的边界：
反事实实验显示，模型对这些文本形式变化高度敏感；但现有实验不足以把预测变化唯一归因于「静态罗列」这个语言学特征——因为改形式的同时，句法结构、动作结构、叙事组织也可能一起变了。
我一度很想写「模型学的是形式而不是内容」，但那样说过强了。我能确认的只是「模型对这些形式变化敏感」，至于具体是哪个特征在起作用，单靠这几个实验证明不了。
假设二：顿号、前置定语是漏检原因
早期我怀疑 AI 漏检和「顿号并列」「前置修饰」有关，做了一系列特征诊断。实验 2 的结果其实挺有意思：同一个内容，用「顿号型」「连接词型」写会被漏检（231%），但改成「从句型」「动作嵌入型」就被识别（96100%）。
这确实说明修饰的呈现方式有影响。但当我拿它去解释「跨生成器漏检」时，对不上了——同一个「堆砌形容词」的写法，glm/deepseek 生成的大部分被识别，longcat/qwen 生成的全部漏检。如果「顿号」是唯一原因，那应该所有生成器都漏，而不是只有两个漏。
假设三：是生成器的问题
于是我把怀疑转向「生成器差异」。测试集 6 用 4 个不同生成器（GLM / DeepSeek / LongCat / Qwen）各生成 AI 样本：
| 生成器 | 识别情况 |
|---|---|
| glm | 几乎全对（90~100%） |
| deepseek | 部分对 |
| longcat | 几乎全漏（0~5%） |
| qwen | 大部分漏（0~13%） |
LongCat 和 Qwen 生成的 AI 几乎全部漏检。而且我在 CLS 表示空间里发现：LongCat 的样本到「人类中心」的平均余弦相似度高达 0.882，是四个生成器里最「像人」的（GLM 只有 0.655）。这似乎坐实了「生成器差异」假说。
但紧接着的 LOBO 实验（leave-one-generator-out） 又把它推翻了。我让 4 个生成器各写 110 篇完全相同风格的文本（11 类风格 × 10 篇），然后用「留出某个生成器」的方式训练 8 个模型，测「见过的生成器」vs「没见过的生成器」的准确率差。结果：
| 留出的生成器 | 见过生成器准确率 | 未见生成器准确率 | 下降 |
|---|---|---|---|
| GLM / DeepSeek / LongCat / Qwen | 100% | 100% | 0% |
全 100%，下降 0%。 这不是「泛化好」，而是实验设计把「生成器差异」抹平了——当 4 个生成器被要求写完全相同的风格时，它们的输出在模型眼里是同分布的。
把 LOBO 和测试集 6 并排看，结论才真正清晰：
| 场景 | longcat/qwen 表现 | 根因 |
|---|---|---|
| 测试集 6（堆砌形容词） | 几乎全漏 | 训练集没有的风格 |
| LOBO（11 类正常风格） | 100% 识别 | 训练集都有的风格 |
所以，严谨的说法应该是：
在当前「控制任务风格、使用既定提示词」的实验里，没有观察到未见生成器导致的准确率下降；但在「极端描述风格」的测试里，模型仍然大量漏检。这支持「风格分布偏移是重要的失效因素」，但不能证明 generator shift 在所有场景下都不重要。
把上面的证据合起来
走到这里，我基本排除了「单一特征」（顿号、前置定语）和「单一生成器」这两个解释，把矛头指向了「风格覆盖」。而最后一锤，是下面这个分布分析：
我把测试集 6 的 16 个 AI 样本，拿到训练 AI 分布（280 篇）上，逐个特征算 percentile。结果：16/16 的样本都有 ≥5 个特征落在分布边缘之外（低于 5 分位或高于 95 分位），平均每个样本有 11.6/33 个特征越界。其中最刺眼的是「形容词密度」——16 个样本里有 15 个的形容词密度高于训练 AI 的 95 分位。
大量样本在多个维度同时落在训练分布边缘之外，这就不再是「个别难例」，而是系统性的风格覆盖缺口。
这一连串「假设 → 验证 → 推翻 → 收窄」的过程，是我觉得整个项目里最有价值的部分。我没有直接换更大的模型，而是靠实验一点点缩小问题范围。
05 · 失败也要记录
这一章很短，但我想单独写，因为它直接体现「我愿不愿意接受负面结果」。
既然发现「风格覆盖不足」，最自然的反应是：补数据。于是我给训练集定向增补了 24 篇 hard-negative（12 篇 AI + 12 篇人类，专门针对「堆砌形容词」这种漏检风格），得到新模型 D1，和原来的 D0 对比：
| 测试集 | D0 | D1 | 变化 |
|---|---|---|---|
| 测试集 6（极端 OOD） | 71.88% | 65.62% | -6.25 |
| 总体 | 86.71% | 84.62% | -2.10 |
增补样本反而让 OOD 表现变差了。 更糟的是，D1 引入了一个副作用：原来 D0 能正确判「人类」的白鹿原「求雨」片段，D1 把它误判成了 AI（1.3% → 66.4%）。我在 CLS 空间里看到，那 24 篇增补样本把决策边界往错误的方向推了。
于是我做了一个决定：回退 D0，不接受这份「更努力但更差」的结果。
这件事当时很反直觉——我花了力气做增补，最后却选择不用。但我现在很庆幸自己留下了这个记录。一个愿意展示「我试过、失败了、回退了」的复盘，比只展示漂亮数字更可信，因为真实工程里绝大多数优化尝试就是会失败的。
06 · 最终结果与局限
到这里，我把「最终结果」和「局限」放在一起讲，因为它们本来就不该分开。
数字要分清口径
我在前面说过单次训练会波动，这里把口径讲清楚：
- 我用 5 个固定 seed 分别训练 D0，单次训练的总体准确率均值 86.71%，标准差 2.73%；
- 把 5 个模型概率平均（5-seed ensemble），143 个测试样本上：总体 86.7%，目标域 98.02%，极端 OOD 59.52%。
这三个数字放在一起，才是我真正想给你看的结果：
| 指标 | 数值 |
|---|---|
| 总体准确率（5-seed ensemble，143 样本） | 86.7% |
| 目标域（训练时见过的风格） | 98.02% |
| 极端 OOD（训练时没见过的风格） | 59.52% |
如果只报 86.71%，会掩盖一个关键事实：这个模型在「见过的风格」上很可靠，在「没见过的风格」上接近抛硬币。 而单次训练的波动也很大——5 个 seed 里，最难的 dense_adjective 子集准确率从 20% 到 60% 乱跳。
所以我不会把「86.71%」包装成真实世界的准确率估计。它是当前这个测试集上的结果，而目标域和极端 OOD 之间的巨大落差，才是这个项目最值得讨论的地方。
我最后留下了什么
- 一个能运行的轻量检测器：微调 RoBERTa + Logistic，输出 0-100 判定分；
- 一张诚实的 UI：不显示「100% 绝对 AI」，而是「判定分 + 区间说明」，并明确告诉用户「文本风格分析」不参与判定、也不是主模型的逐项解释；
- 一份已知局限清单：对「堆砌形容词」等训练分布之外的风格，模型会漏检。
产品化的一处关键收敛
实验之外，我还做了一次重要的产品决策：不让辅助大模型做「第二次判定」。
早期 UI 里，辅助大模型会输出「未见明显 AI 式空泛重复」这类文字。这天然会和主模型冲突（主模型说 100% AI，辅助分析说「不像 AI」），让用户误以为「两个 AI 在投票」。
最后我把它改成了彻底分离的「检测器 + 描述器」：
- 主模型回答「它更像 AI 吗」→ 判定分；
- 大模型只回答「这段文字是什么风格」→ 客观的风格描述（文体、叙事视角、语言特点、修辞……），明令禁止输出「不像 AI / 更像人类」这类结论；
- 显式标注「解释边界」：主模型无法把判定拆解成独立特征，文本风格分析不是主模型的逐项解释。
这套设计的本质是诚实——黑盒模型说不清「为什么」，那就不要让它装成说得清。
07 · 个人复盘：AI 帮我加快了实验，但没有替我决定结论
最后回到我写这篇博客最根本的动机：我想记录我是怎么用 AI 工具的。
这件事我想说得具体一点，而不是一句「我熟练使用 AI」。
在整个项目里，AI agent 帮我做了大量事情：写特征提取脚本、跑 batch 实验、生成不同风格的 AI 样本、做最近邻和表示空间分析、整理结果表。如果没有它，我根本不可能在有限时间里跑完几十个实验。
但我想诚实地区分清楚分工：
AI 帮我做的：脚本编写、实验执行、结果汇总、部分候选解释和假设的提出，意见分析和方案的罗列。
我自己做的：实验设计的方向（测什么、控制什么变量）、假设的提出与取舍、结果的核对、以及每一次「接受还是拒绝 AI 的解释」的决定。
举一个最能说明问题的例子：当测试集 6 大量漏检时，AI 最初给出的解释是「前置定语过多导致漏检」。我没有直接接受，而是继续看不同生成器、看受控的文本变体、看 CLS 最近邻。随着反例出现，我先后修正了自己的假设。最后，统一提示词的 LOBO 实验显示「受控风格下未见生成器也能被正确识别」，真正明显的失败集中在特定的极端风格上。
这个过程的本质是：
AI 提供候选假设 → 我设计可证伪的实验 → 我根据结果修正认识
有几次，AI 给出了很漂亮、很「完整」的解释，但我核对原始结果文件后发现对不上，或者实验没有它说得那么强。判断「什么时候该反对 AI 的建议」，是我在这个项目里学到的最重要的能力。
对 HR 来说，这可能比我「用了 RoBERTa」更有信息量：它说明我如何处理不确定性——不迷信模型、不迷信 agent、用数据说话，并且敢于展示失败。
附录 A · 关键结果汇总
（正文只讲了主线，这里放详细表格，供技术读者核对。）
A.1 A/B/C/D 四组（单次训练，143 样本）
| 测试集 | A（150无句号） | B（75无句号） | C（0网文） | D（150补句号） |
|---|---|---|---|---|
| hard_examples（50） | 100% | 100% | 100% | 100% |
| 测试集5（41） | 100% | 100% | 100% | 100% |
| 测试集6（32） | 68.8% | 65.6% | 59.4% | 71.9% |
| sc（10） | 90% | 80% | 80% | 80% |
| dense_adjective（10） | 30% | 0% | 10% | 50% |
| 总体 | 87.4% | 83.9% | 83.2% | 88.8% |
A.2 人类中心几何（四组）
| 指标 | A | B | C | D |
|---|---|---|---|---|
| 人类类内紧凑度(cos) | 0.0327 | 0.0697 | 0.0372 | 0.0595 |
| 类间距离 cH-cA(cos) | 1.2038 | 0.6608 | 1.1910 | 0.7564 |
| 分离度比值 | 16.87 | 4.65 | 13.60 | 5.43 |
| 无句号网文游离度 - 非网文基准 | -0.0134 | +0.0027 | +0.0260 | -0.0013 |
注：分离度差异混入了微调的随机性（dropout、数据顺序），A 16.87 vs D 5.43 不能完全归因于数据。
A.3 5-seed 稳健性（D0）
| 指标 | 均值 | 标准差 | 判定 |
|---|---|---|---|
| 总体准确率 | 86.71% | 2.73% | 不稳定 |
| AI 召回 | 75.26% | 5.09% | 不稳定 |
| 人类召回 | 99.70% | 0.60% | 稳定 |
| 测试集6 | 70.00% | 7.02% | 不稳定 |
| dense_adjective | 30.00% | 15.49% | 不稳定 |
A.4 生成器差异（CLS 空间）
| 生成器 | 到人类中心平均 cos |
|---|---|
| GLM | 0.655 |
| DeepSeek | 0.785 |
| Qwen | 0.843 |
| LongCat | 0.882 |
A.5 style coverage gap（16 个 Test6 AI 样本 vs 训练 AI 280 篇）
- 有 ≥5 个特征落在边缘外（<5 或 >95 分位）的样本：16/16
- 平均每个样本越界特征数：11.6 / 33
- 越界最多的特征：形容词密度（15/16 偏高）、修饰链数量（14）、字数（13）、句数（13）
附录 B · 完整实验记录索引
（这里是「全部记录」的完整清单，方便感兴趣的人按图索骥。）
| 实验 | 脚本 | 结果文件 | 一句话结论 |
|---|---|---|---|
| 补句号 | add_periods.py |
网文_补句号/ |
并发 10 线程，串行 4h → 十几分钟 |
| 分组数据准备 | prepare_groups.py |
— | 生成 A/B/C/D 四组人类样本 |
| 分组训练 | train_group.py |
模型_A/B/C/D组/ |
四组模型训练 |
| 四组对比 | compare_groups.py |
— | D 组 88.8% 最优 |
| A/D 逐样本差异 | diff_AD.py |
— | D 修复 2 漏检、sc2 退化 |
| 误判诊断（最近邻/TSNE/UMAP） | analyze_hard_examples.py |
分析报告/hard_examples_analysis.txt |
3 人类样本被判 AI |
| UMAP 局部密度 | umap_analysis.py |
分析报告/umap_analysis.txt |
误判样本 30 邻里有 27~30 个 AI |
| 结构诊断 | diagnose_structure.py |
分析报告/diagnose_structure.txt |
14 项结构属性对比 |
| 密度统计 | density_stats.py |
分析报告/density_stats.txt |
信息/事件密度对比 |
| 100% 误判剖析 | analyze_100pct.py |
分析报告/100pct_analysis.txt |
童话001 结构剖析 |
| 遮挡测试 | occlusion_fairy_001.py |
遮挡测试_童话001.txt |
删第6句 99.5%→0.2% |
| 反事实实验 | counterfactual_fairy_001.py |
反事实实验_童话001.txt |
去静态罗列 99.5%→0.0% |
| 怪物反事实 | counterfactual_monster.py |
反事实实验_怪物.txt |
数值化×动态化主效应≈0 |
| 配对差分 | experiment_pairing.py |
实验1_配对差分.txt |
中度→重度 Δ=-68.7pp |
| 反事实（修饰） | experiment_counterfactual.py |
实验2_反事实.txt |
顿号型漏检、从句型识别 |
| 特征诊断 | experiment_diagnosis.py |
实验3_特征诊断.txt |
漏检 AI 前置修饰更重 |
| 修饰堆叠 | experiment_modifier.py |
局部修饰分析.txt |
漏检AI MaxMod 3.75 vs 识别2.75 |
| 生成器差异 | generator_diff.py |
生成器差异矩阵.txt |
G+D vs L+Q 组间差异 |
| 生成器 CLS | cls_generator_analysis.py |
CLS_generator分析.txt |
LongCat 最像人 0.882 |
| 来源溯源 | source_provenance.py |
来源溯源分析.txt |
人类训练集 0/370 误判 |
| 来源特征 | source_features.py |
来源特征统计.txt |
网文句长 325、句数 1.03 |
| 来源 CLS | source_cls_analysis.py |
来源CLS空间分析.txt |
漏检样本最像基督山伯爵/骆驼祥子 |
| 最近邻统计 | neighbor_stats.py |
最近邻统计.txt |
漏检样本作品分布 |
| 最近邻漏检 | nearest_neighbors.py |
最近邻_漏检样本.txt |
12 漏检样本逐最近邻 |
| D0/D1 对比 | compare_D0D1.py |
D0D1_benchmark对比.txt |
D1 退化，回退 D0 |
| D0/D1 CLS 移动 | analyze_D0D1.py |
D0D1_CLS移动分析.txt |
增补推偏决策边界 |
| D0 最近邻对照 | analyze_D0_neighbors.py |
D0最近邻对照.txt |
Test6 差异方向对齐边界 |
| seed 稳健性 | eval_D0_seeds.py |
D0_seed稳健性.txt |
总体 86.71%±2.73% |
| ensemble | eval_D0_ensemble.py |
D0_ensemble对比.txt |
ensemble 无实质提升 |
| 人类中心 | human_center_analysis.py |
human_center_分析.txt |
A 学形式、D 学内容 |
| 留一溯源 | leave_one_out.py |
LeaveOneOut_分析.txt |
网文对人类中心影响最大 |
| LOBO 生成 | gen_lobo.py |
lobo数据/ |
4 生成器 × 110 篇 |
| LOBO 训练 | lobo_train.py |
模型_LOBO_*/ |
8 个 LOBO 模型 |
| LOBO 评估 | lobo_eval.py |
lobo_结果.txt |
全 100%，下降 0% |
| style gap | style_coverage_gap.py |
style_coverage_gap.txt |
16/16 边缘外，平均 11.6/33 |
| 特征对比 | extract_features.py / feature_extract_syntax.py |
AIvs人类_特征对比.txt / AIvs人类_句法对比.txt |
修饰链/语义冗余 AI 远高于人类 |
| 训练集特征 | train_features.py / train_features_summary.py |
训练集特征概况.txt |
650 篇特征分布 |
附录 C · 复现与数据说明
代码仓库：https://github.com/dredgeship/chinese-fiction-ai-detector —— 全部脚本、结果文件、LOBO 样本均已开源。
代码：核心代码（数据预处理、训练、评估、各分析脚本）都在仓库根目录。训练入口是 train_detector.py + final_detector.py，评估用 batch_evaluate.py。
模型：detector_model/（微调 RoBERTa，约 24GB，未入库）+ final_logistic.pkl + final_scaler.pkl（已在仓库中）。微调权重可按 README 重新训练，或联系我获取。
数据说明：训练集含真实小说文本（白鹿原、骆驼祥子等），涉及版权，我不公开原始语料。可公开的是：代码、统计结果表、以及不含版权文本的示例。LOBO 实验里由 4 个生成器产出的 440 篇 AI 样本（lobo数据/）是我用公开 API 生成的，不涉及他人版权，已开源。
随机种子：5-seed 稳健性用的是 [42, 123, 456, 789, 2024]。
如果你对某个实验的具体做法有疑问，或者想指出我哪里做得不对，欢迎在仓库提 issue 或直接给我反馈——这正是我写这篇博客、把这些材料整理出来的目的。
全文完。
浙公网安备 33010602011771号