GPTZero准吗？GPTZero、Turnitin、ZeroGPT 对比

GPTZero 准吗？独立测试显示，它没有自家数据所显示的那么准，ZeroGPT 和 Turnitin 也是如此。三者对同一段文字给出不同结论，更大的原因是它们衡量的不是同一样东西。Turnitin 报告的是你正文中的一个占比，GPTZero 报告的是关于整篇文档的一个概率，Originality.ai 让用户自己决定能容忍多少 AI，而且每个工具划线的位置、最低长度要求都不同，所用模型的训练数据不同，更新节奏也各不相同。

这并不能证明哪个工具坏了。当几个概率分类器对确实模棱两可的文本各自独立作出判断时，就会出现这种情况，而正式的学术文字往往正是这样模棱两可的文本。

它们报告的不是同一个数字

要看清分数为何不同，最快的办法是读一读每家厂商对自己核心数字含义的说明。下表只使用厂商自己的公开页面，错误率数字是它们自己的说法，而不是我们的。

把其中两个放在一起比较。GPTZero 解释说，“4% AI”并不是说你的文档有 4% 含有 AI，而是模型认为该文档完全由 AI 撰写的概率。Turnitin 的 40% 则是在说你的正文有多少看起来像 AI 生成的。两者都是百分比，回答的却是不同的问题。Sapling 对自己的高亮也有同样的提醒：高亮可能与总体分数不一致。

阈值是一种政策选择

每个检测器都要把连续的分数转换成标签，而切分点设在哪里是一个设计决定。人写文本和 AI 文本的分数分布是重叠的。阈值右移，被误标的人写文本减少，但漏掉的 AI 文本增多；左移则相反。

• 人写文本
• AI 生成文本

示意图，并非任何特定检测器的数据

厂商们公开说明了自己的倾向。Turnitin 隐藏 1% 到 19% 之间的分数，并承认一篇得分 50% 的文档实际包含的 AI 可能更多。GPTZero 描述了一种让检测器宁可漏报也不误报的输出映射，并表示在没有把握时通常倾向于判为“人写”。Originality.ai 现在通过 AI Allowance 设置把部分决定权交给用户，Copyleaks 则提供可调节的灵敏度。两个工具可能在底层信号上一致，却在标签上意见不一。

长度和切分方式会改变结论

检测器需要足够多的文本才能衡量。Turnitin 不会给少于 300 个单词的正文打分，并表示短文档几乎会被当作一个整块来打分。Sapling 表示其检测器在约 50 个单词以上时准确率会明显提高。GPTZero 指出，它的预测可能取决于整篇文本大部分内容中的模式，所以修改几个被高亮的句子，分数的变化可能比你预期的小。

这就是我们在句子级 AI 检测中讨论的句子与文档之争。一个给重叠窗口打分的工具、一个给整篇文档打分的工具和一个逐句打分的工具，对同一段文字的解读可能各不相同。

We recruited 214 first-year nursing students across two campuses in spring 2024. The findings highlight the importance of resilience in shaping academic outcomes. Resilience scores rose most among students who had previously failed a clinical placement. These results contribute to a growing body of literature on student wellbeing.

示例。泛泛的框架句往往被判为 AI；具体的、带数据的句子往往被判为人写。文档级工具可能会把它们平均成一个结论。

训练数据不同，盲区也不同

每个分类器都从自己的人写与机器文本组合中学习，而且针对的是一组特定的生成模型。Turnitin 公布了其英文检测器训练时针对的模型列表。Sapling 的更新日志也显示出随时间不断加入新模型系列的同样模式。由某个模型生成或润色的段落，如果一家厂商针对它训练过而另一家没有，两者给出的分数就不会相同。我们在 Turnitin 能查出 ChatGPT、Claude 和 Gemini 吗？中分析了这种覆盖范围。

独立基准显示了这一点有多重要。RAID 是 Dugan 等人在 ACL 2024 上发表的共享基准，用来自 11 个模型、横跨 8 个领域的 600 多万条生成文本，在 11 种对抗攻击和 4 种解码策略下测试了 12 个检测器。作者发现，检测器很容易被攻击、采样策略变化、重复惩罚以及未见过的生成模型所欺骗。

更早发表在 International Journal for Educational Integrity 上的一项研究，Weber-Wulff 等人（2023），测试了 14 款工具，发现在其评分方式下没有一款达到 80% 准确率，而且都倾向于把文本判为人写。这类结果与厂商 98% 或 99% 的数字并存，是因为它们使用的测试集、文本类型以及对准确率的定义都不同。

更新周期让标准不断变化

检测器经常变化。Turnitin 在 2025 年 10 月和 2026 年 2 月发布了模型更新，并于 2026 年 7 月整合了架构；旧报告不会重新计算，但重新提交的文件会。Sapling 的更新日志记录了 2026 年 9 月的一次更新。Originality.ai 也在同一个月停用了经典模型。你在春天看到的分数，与编辑在秋天使用的工具，读数来自不同的仪器。

GPTZero 准吗？ZeroGPT 呢？

两家厂商公布的数字都很亮眼：GPTZero 称其误报率不超过 1%，ZeroGPT 则宣称检测准确率为 98.4%。独立测试的结果更低，也更不均衡，不过下面两项测试都早于这些工具的当前版本。

• 在 Weber-Wulff 等人 2023 年的研究中，按最严格的计分方式，GPTZero 正确分类了 54 份测试文档中的 54%，ZeroGPT 为 59%，Turnitin 为 76%。GPTZero 在错误指控上也是个例外：在 18 份人写文档中，有一半它的输出很可能导致错误指控。ZeroGPT 则一次也没有。
• 在 RAID 基准（2024）中，GPTZero 在 5% 误报率下达到 66.5% 的准确率，面对让大多数其他检测器受损的形近字符攻击几乎不受影响。在 RAID 的阈值测试中，ZeroGPT 的误报率无法压到 16.9% 以下。

那么 GPTZero 和 Turnitin 一样准吗？这里唯一同时测试了两者的研究显示，2023 年初 Turnitin 领先，而此后两款工具都已更新。无论哪一个给出的分数，都只能当作一次读数，而不是结论。

那么，哪个 AI 检测器最准？

不存在一个在各种文本类型、长度、语言和生成模型下都成立的答案，谁给你一个答案，谁就是在引用某个测试集。厂商的准确率来自它们自己的评估，独立基准报告的数字则更低、波动更大。更有用的问题是：评审你作品的人实际用的是哪个检测器，以及你的文本在多个工具上表现如何。

这就是对照多个检测器进行检查的理由：

• 一致性本身就是信息。如果五个工具都判某句为人写，只有一个标记它，这个标记多半是噪声。如果六个工具都标记了同一个泛泛的过渡句，就值得用自己的话重写。
• 分歧指向边界文本。在不同工具之间来回翻转的句子通常是套路化的：固定开头、总结句、评价性的陈词滥调。参阅为什么正式文体看起来像 AI 写的。
• 没有哪个工具是最终裁判。Turnitin、GPTZero 和 Sapling 都表示，它们的输出不应成为针对某个人作出决定的唯一依据。

用 Academic Humanizer 对照多个检测器

Academic Humanizer 对照上述六个检测器进行验证：Turnitin、GPTZero、ZeroGPT、Copyleaks、Sapling 和 Originality.ai。Humanizer 扫描你的稿件，找出被检测器标记的句子，只改写这些句子，已经读起来像人写的句子则完全保持你写的样子；内置的 AI Detection Report 会比较处理前后被判为人写的句子比例。它无法保证任何单一检测器将来会给你文本的某个版本打出什么分数，这也正是报告逐句展示过程、把最终判断留给你的原因。