lynote-ai/humanize-text

解决的问题

此项目提供一个管道，用于改写 AI 生成的文本，使其听起来更自然、更像人类，特别旨在打破 AI 检测器通常识别的统计指纹。

运作方式

此项目提供两种不同的方法：

1. 结构优先数据管道：目前的主要方法，专注于为自定义改写模型创建高质量的训练数据。它使用监督式微调（SFT）和 Kahneman-Tversky 优化（KTO）来教导模型改写文本的实际叙事结构，而不仅仅是改变表面词汇。
2. 翻译链（旧版）：一个可执行的参考管道，使用多跳翻译过程。它使用 LLM 改写文本（翻译成中文，然后日文），然后通过多个翻译引擎（Google 翻译和 Niutrans）翻译成芬兰文，再翻译回英文，以最大化语言距离和结构破坏。

适用对象

开发者和作家，希望改善 AI 辅助草稿的可读性和自然节奏，或探索绕过 AI 检测的方法。

重点特色

• 多层级方法：提供标准、进阶和专注层级，具有不同的重构深度。
• SFT + KTO 训练：实现基于偏好的训练管道，优先考虑真正的结构变化，而非简单的编辑。
• 多引擎翻译：结合 LLM 和 NMT 引擎，消除单一引擎的指纹。
• 确定性且可审计：每个配对包含 SHA-256 身份，以及用于数据构建的版本化 YAML 政策。