lynote-ai/ai-text-detector

它解决的问题

大多数AI文本检测器过于自信、不透明，或难以嵌入编码代理。该项目提供了一个轻量级、无需网络的CLI/Python分析器，用于估计一段文本由AI生成的可能性，同时在证据不足时明确发出警告。它还附带了一个生产级的两级模型流水线（非权重），将整个文档和单个句子标记为人类、AI或混合。

工作原理

本地分析器使用加权、可解释的信号，而不是隐藏模型。它返回一个0到100的分数、一个判定（例如，insufficient_text、low_ai_likelihood、mixed_or_uncertain、high_ai_likelihood）、置信度级别、最强证据信号和注意事项。短文本护栏拒绝在样本少于约80个单词时夸大结论。

detection-model-pipeline/中的生产模型是一个训练好的两级神经网络：文档和句子头部共享一个多语言骨干（XLM-R-large或ModernBERT-base）。一次前向传播即可标记文档和每个句子。温度缩放校准概率，使模型不会过于自信。该流水线涵盖数据准备、训练、校准、评估和通过FastAPI提供服务。

适用对象

该工具面向编码代理（例如，Codex、Claude Code）和需要快速分诊而非最终判断的本地工作流。用例包括教师审阅学生写作、编辑识别公式化帖子、信任与安全队列处理长文内容，以及内部内容QA。它不适用于纪律处分、作者身份证明，或在没有与已知写作样本进行比较的情况下进行高风险争议。

亮点

• 可解释的加权信号，而非黑盒置信度
• 本地CLI和Python API，无需网络
• 短文本护栏，避免夸大弱证据
• 为仓库感知代理准备的技能就绪打包（SKILL.md、AGENTS.md）
• 在公共HC3数据集上使用maketargets进行可复现评估
• 生产级两级模型流水线（训练、校准、服务），支持多语言骨干
• 设计保守：结果是供人工审查的风险估计，而非证明