Agent可利用基础模型规避AI检测

arXiv:2609.31876v1 公告类型：new 摘要：我们表明，配备基础语言模型的 coding agent 可以通过拼接其生成的样本来组装回复，从而成功规避检测。已有研究表明，基础模型能够规避商用检测器，然而此前的"人性化"技术依赖于让这些模型对 AI 输出进行多轮改写，这不可避免地会导致语义漂移。相比之下，让 coding agent 直接编排写作过程、将基础模型生成的文本样本拼接起来，能够产出连贯、针对特定任务且总体质量较高的输出。我们发现，在 Claude Code 框架下运行的 Claude Opus 5 能够有效地编排本地 32B 参数的 OLMo-2 基础 LM，在涵盖创意写作、事实 grounding、健康问答和指令遵循的多个 benchmark 上几乎没有损失任务准确率，同时使用了高达 90% 的基础 LM token。以这种方式构建的回复降低了事后检测器（Pangram v4 检测率从 77% 降至 24%）和预先施加于 agent 生成内容的软水印（在低 FPR 下模拟检测率降至 10%）的有效性。尽管这种规避手段有效，但它需要 agent 消耗明显更多的输入和输出 token，按 API 定价计算，每次查询的美元成本最高增加 30 倍。总体而言，本工作展示了一类针对 AI 文本检测的新型对抗攻击的有效性，并敦促事后检测服务提供商在其训练数据中纳入基础模型的输出。