Turnitin能检测QuillBot吗？改写工具为何躲不过AI检测

很多时候能。如果文本最初是 AI 输出，Turnitin 现在会把 QuillBot 式的改写单独列为一个类别，详见下文。改写工具总体上之所以躲不过 AI 检测，原因很简单：它们改的是词，而检测器响应的是词语层面之上的模式。一个同义词替换工具可以在每个句子里把 "significant" 换成 "notable"，而句子长度、分句顺序、节奏和整体可预测性几乎原封不动。当它确实改得足够多、能让分数变化时，往往又会顺带破坏原意或术语。

检测器厂商也已经直接作出了回应。Turnitin 的文档现在专门描述了一个类别，用于可能由 AI 生成、再经 AI 改写工具或洗稿工具修改的文本，并以 QuillBot 为例（Turnitin guides）。本文解释检测器实际在对什么作出反应、洗稿工具为何力不从心，以及保留原意的选择性修改有何不同。

检测器实际在对什么作出反应

检测器并没有一份“AI 词汇”清单。它们衡量的是文本对语言模型来说有多可预测、这种可预测性在各句之间分布得有多均匀；经过训练的分类器还会从样本中学到许多更微妙的规律。我们在AI 检测器的工作原理中详细介绍了这些方法，而在这里最重要的是三种信号。

• 可预测性。每个下一个 token 是否像模型会选的那样？把一个形容词换成近义词，这个 token 的概率通常和之前差不多。
• 结构。主题句、支撑分句、"This suggests that" 式的总结。模板化的段落在词语层面的修改后依然保留骨架。
• 节奏。整个段落中保持一致的句长和分句模式。洗稿工具很少拆分或合并句子。

所以，洗稿工具作用的恰恰是检测器最不看重的那一层，而检测器最看重的几层却原样保留。

为什么同义词替换会适得其反

传统的洗稿工具从同义词词典或小模型中挑选替换词，几乎不考虑上下文。在学术文本中，这会同时造成两个问题。

第一，它可能反而引起怀疑。在一个本来就模板化的句子里出现古怪的用词，这本身就是一种模式，经过训练的分类器可以学会识别它。这就是 Turnitin 这样的工具能够单独报告“改写”类别的原因。

第二，它会破坏术语。各研究领域依赖固定术语："confidence interval"、"random forest"、"informed consent"、"grounded theory"。同义词词典并不知道它们是固定的。Cabanac、Labbé 和 Magazinov 记录了已发表论文中的这类损害，并将其命名为 "tortured phrases"（扭曲短语），举的例子之一是把 "artificial intelligence" 写成 "counterfeit consciousness"（Cabanac et al., 2021）。他们发现这类短语集中出现在一本知名期刊的摘要中，可见这种替换在专业读者眼中有多显眼。

改写前

We fitted a random forest model and report the mean absolute error on the held-out test set.

改写后

We fitted a haphazard woodland model and report the average total blunder on the kept-back test set.

句子结构完全一样，节奏完全一样。只有术语变了，而且每一处都改错了。审稿人读到这里就不会再往下读了。

更强的改写确实能改变分数

更强的改写器是存在的，研究表明它们能大幅降低检出率。Krishna 等人训练了 DIPPER，这是一个能调整内容顺序、并以可控强度改变措辞的改写器。用它改写后，在 1% 误报率下，DetectGPT 的检出率从 70.3% 降到了 4.6%，它对基于水印的检测器和商业检测器也造成了打击（Krishna et al., NeurIPS 2023）。Sadasivan 等人则更进一步，采用递归改写，连续多次使用改写器（Sadasivan et al., TMLR）。

• 模型原始输出70.3%
• DIPPER 改写后4.6%

来源：Krishna et al., "Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense", NeurIPS 2023

这些文献中有两个细节对学术写作者很重要。奏效的改写器改变的是结构和顺序，而不只是词汇，这印证了上面的观点。而且这些是在通用文本上评估的研究模型，改写只需在含义上保持接近即可。期刊论文的约束要严格得多：一个限定语、一个单位或一条引文挪到旁边的分句，就可能改变论文的论断。检测器也会适应。Krishna 等人在同一篇论文中提出了一种检索防御方法，而 RAID 基准显示，检测器的结果在不同攻击和设置下大幅波动（Dugan et al., ACL 2024）。更多内容见我们对 DIPPER 论文的解读。

Turnitin 能检测 QuillBot 改写吗？

对于 AI 生成的文本，Turnitin 的回答是能。它的 AI 写作报告使用指南描述了一种单独的高亮，用于标示可能由 AI 生成、再经 AI 改写工具或换词工具修改的文本，并以 QuillBot 为例。自 2025 年 8 月起，Turnitin 还会查找经 AI 绕过工具处理的文本。这两项检查都只适用于英文提交。

情况并非一直如此。在 Weber-Wulff 等人 2023 年的测试中，用 QuillBot 默认设置处理一遍的 ChatGPT 文本，在包括 Turnitin 在内的 14 款工具中平均只有 26% 被正确分类。Turnitin 的改写类别是后来在 2024 年 7 月的更新中才加入的。

有两点限制值得了解：

• Turnitin 说明的这一类别针对的是先由 AI 生成的文本。对于经改写工具处理的人写文本，它没有公布相关数据。
• 高亮只是预测。Turnitin 表示，其 AI 分数不应作为对学生采取行动的唯一依据。

降AI工具也引出了同样的问题，只是形式不同；见降AI后 Turnitin 能查出来吗？

真正的代价：原意漂移

全文改写把每个句子都当作目标，包括你自己写的句子、没有被任何检测器标记的句子，以及承载精确论断的句子。工具改写的文本越多，就越有可能：

• 把 "may be associated with" 变成 "causes"（限定语气漂移），
• 把引文挪离它所支撑的论断，
• 把 0.047 取整为 "about 0.05"，或者丢掉单位，
• 用含义更宽泛的日常用词替换有明确定义的术语。

这些问题在快速浏览时都很容易被忽略，到了同行评审时代价却很高。Weber-Wulff 等人测试了 14 款检测工具，发现内容混淆（包括人工编辑和机器改写）会显著降低工具的表现（Weber-Wulff et al., 2023）。这个结果常被引用为应该去改写的理由。不妨反过来读：如果检测如此不稳定，那么你唯一能确定掌控的，就是你的论文是否仍然表达了你的本意。我们在降 AI 改写时如何保留原意和引文中介绍了复核这一面。

保留原意的选择性改写有何不同

更好的方法是从检测器对稿件的看法出发，而不是从全文出发。它不改写全部内容，而是先问哪些句子真正读起来像机器写的，然后只处理这些句子。

1. 扫描给每个句子打分，找出被检测器标记的句子。
2. 锁定把数字、单位、引文、限定语和学科术语标记为固定内容。
3. 只改写被标记的句子在需要的地方改变结构和节奏，保留论断及其强度。
4. 复查用与原稿相同的标准给新版本打分。
5. 作者复核接受之前，把每处改动与原文对照阅读。

这与洗稿工具有三点不同。它修改的是检测器作出反应的层面（结构和节奏），而不只是词汇。它不动读起来像人写的句子，从而保留你的声音，并缩小错误可能混入的范围。它还会测量前后变化，让你看到改动是否有效，而不是靠猜。

它仍然是修改，而不是魔法。有些句子需要再处理一遍，作者仍要对每一个字负责。如果你的课程或期刊对 AI 辅助有规定，请遵守；我们的指南在作业中使用 AI 之前要问的问题是一个很好的起点，AI 降重工具、改写工具与语法检查工具对比则把几类工具放在一起做了比较。

Academic Humanizer 的做法

Academic Humanizer 采用的是选择性模式。Humanizer 扫描你的稿件，找出被 AI 检测器标记的句子，只改写这些句子，其他每个句子都完全按你写的样子返回，论点、数字、引文和学科术语保持不变。如果没有句子被标记，输出等于输入，不扣点数。AI Detection Report 把每个被标记的句子与其改写配对，并用被判为人写的句子比例比较两个版本，结果对照 Turnitin、GPTZero、Copyleaks 和 Originality.ai 等检测器进行检查。最终文本仍由你阅读并确认。