lynote-ai/ai-text-detector

해결하는 문제

대부분의 AI 텍스트 감지기는 과신하거나 불투명하거나 코딩 에이전트에 통합하기 어렵습니다. 이 프로젝트는 네트워크가 필요 없는 경량 CLI/Python 분석기를 제공하여 텍스트가 AI 생성일 가능성을 추정하고, 증거가 약할 때 명확히 경고합니다. 또한 프로덕션 등급의 2단계 모델 파이프라인(가중치 아님)을 포함하여 전체 문서와 개별 문장을 인간, AI 또는 혼합으로 레이블링합니다.

작동 방식

로컬 분석기는 숨겨진 모델 대신 가중치가 적용된 설명 가능한 신호를 사용합니다. 0에서 100까지의 점수, 판정(예: insufficient_text, low_ai_likelihood, mixed_or_uncertain, high_ai_likelihood), 신뢰 수준, 가장 강한 증거 신호 및 주의 사항을 반환합니다. 짧은 텍스트 가드레일은 약 80단어 미만의 샘플에 대해 결론을 과장하는 것을 거부합니다.

detection-model-pipeline/ 내의 프로덕션 모델은 훈련된 2단계 신경망입니다. 문서 헤드와 문장 헤드는 다국어 백본(XLM-R-large 또는 ModernBERT-base)을 공유합니다. 한 번의 순방향 패스로 문서와 각 문장을 레이블링합니다. 온도 스케일링은 확률을 보정하여 모델이 과신하지 않도록 합니다. 파이프라인은 데이터 준비, 훈련, 보정, 평가 및 FastAPI를 통한 서빙을 포함합니다.

대상 사용자

이 도구는 코딩 에이전트(예: Codex, Claude Code)와 최종 판단이 아닌 빠른 분류가 필요한 로컬 워크플로우를 대상으로 합니다. 사용 사례에는 교사의 학생 글 검토, 편집자의 공식적인 게시물 식별, 장문 콘텐츠의 신뢰 및 안전 큐잉, 내부 콘텐츠 QA가 포함됩니다. 징계 결정, 저자 증명, 또는 알려진 글 샘플과 비교하지 않고 고위험 분쟁을 판단하기 위한 것이 아닙니다.

하이라이트

• 블랙박스 신뢰 대신 설명 가능한 가중 신호
• 로컬 CLI 및 Python API, 네트워크 불필요
• 약한 증거를 과장하지 않는 짧은 텍스트 가드레일
• 저장소 인식 에이전트를 위한 스킬 준비 패키징(SKILL.md, AGENTS.md)
• 공개 HC3 데이터셋에서 maketargets를 사용한 재현 가능한 평가
• 다국어 백본을 갖춘 프로덕션 2단계 모델 파이프라인(훈련, 보정, 서빙)
• 설계상 보수적: 결과는 인간 검토를 위한 위험 추정치이지 증거가 아닙니다