编辑和老师用AIGC检测工具，最常见的坑是拿一个疑似度数字当最终结论：同一篇文章换一家工具分数能差一大截，换个时段重测还能再变。这篇不评谁第一，而是给一套可复现的对比与落地流程——怎么定选型标准、怎么设计对照测试、怎么读结果、出争议时怎么留证据，让结论能解释、能复核。
编辑和老师用AIGC检测工具，最常见的坑是拿一个疑似度数字当最终结论。同一篇文章换一家工具，分数能差一大截；隔几天重测，同一个文本还能再变。这不是工具坏了，是它们本来就只给一个概率性的线索，而你把它当成了判决书。
这篇不评谁第一，给一套可复现的对比与落地流程：怎么按用途定选型标准，怎么用自建样本做对照测试，怎么读结果，出争议时拿什么说话。目标是让结论能解释、能复核，换个人重走一遍也能得到差不多的判断。
先定选型标准：按用途分层，而不是按名气排序
选工具之前先把需求拆清楚，因为不同用途对能力的要求根本不一样。教学日常筛查量大、要快，能容忍一定误判；稿件终审要可解释、能出具说明，宁可慢也要报告细；平台批量审核看接口和稳定吞吐。三类需求对准确率、响应速度、报告颗粒度的权重完全不同，混在一起比就比不出东西。
| 对比维度 | 看什么 | 怎么验证 |
|---|---|---|
| 中文长文识别 | 几千字以上是否仍能给出稳定判断 | 拿你手上最长的一篇旧稿实测 |
| 中英混排 | 中英夹杂时会不会乱标 | 准备一段双语稿分别测 |
| 人工改写后 | AI起草再大改的稿能不能识别 | 用自己改过的稿做样本 |
| 报告细粒度 | 是否逐段标注、能否导出存档 | 导出一次看格式能否留存 |
| 调用方式 | 网页还是接口，能否批量 | 按团队实际人力判断 |
| 输入稳定性 | 同一文本两次检测是否一致 | 同一篇连测两次对比结果 |
这张表建议打印出来，每家工具填一行，填不出来的格子就是你没验证过的地方，别凭印象打勾。各家当时的公开资料和能力口径，到 /ai-nav/category/ai-detection 按目录逐个核对，工具说明更新频繁，旧印象很容易过期。
试用阶段做对照测试：用自己手上的样本，别用工具官方示例
工具官方示例通常是精心挑过的，测不出真实水平。试用阶段的核心是自建样本：题材跟你实际业务一致，学生作业、行业稿、公文说明文分开准备，别一锅端。这样测出来的结果才对得上你日常要处理的东西。
- 准备三组样本纯人工写的旧稿、明确由AI起草后人工大改的稿、AI直接生成未改的稿，各准备几篇，题材覆盖你常处理的类型。
- 同批喂给待选工具同一批样本同时送进几家待选工具，记录每次结果，并对同一文本重测一次，看两次结果是否一致。
- 自己先标再对照检测前先自己标注哪些段落AI痕迹重，再看工具标出的位置是否对得上，对不上的地方回头判断是工具误判还是你判断偏了。
- 样本和结果存档检测时间、工具口径、原始结果都留下来，工具能力会随版本调整，后续换工具时有基线可比。
重测一致性这一项很多人忽略，但它比准确率更影响日常工作。一个时高时低的工具，在跟学生或作者沟通时根本站不住脚，对方重测一次就能把你的结论推翻。稳定性差的工具，适合当辅助参考，不适合当争议处理的依据。
怎么读结果：把疑似度当线索，不当判决
疑似度只说明这段文本与工具训练时见过的机器文本特征接近到什么程度，它不证明作者用了AI，也不排除人工润色过的AI稿。理解这一点，后续所有判断才不会跑偏。
- 低分直接放行，不必反复纠结。
- 中段分数进入人工复核，看是否套话密集、结构过于工整、缺少具体细节。
- 高分也要回看原文，排除模板化写作、翻译腔、非母语写作造成的误判。
- 学术写作、公文体、说明书本来就工整，最容易被误标，这类文本建议两家人工复核后再下结论。
想了解工具判定逻辑的口径，可以按 /tools/verify#scoring-rules 里的说明去读，重点看它怎么定义机器文本特征，而不是去背一个阈值。对外沟通时不把单次得分写进说明，写过程写段落比对，比写一个百分比有用得多。
落地成流程：从检测到沟通，五步走完
工具选好了，真正决定成败的是流程。没有固定规则，每次检测都靠临场发挥，结论就没法复核，出了争议也拿不出东西。把下面五步写进内部操作说明，谁来执行结果都差不多。
- 定规则
- 哪些场景必须检测、由谁检测、什么分数触发复核，提前写清楚，别临时决定。
- 留证据
- 保存原文、检测报告、检测时间、所用工具，被质疑时这些是唯一能拿出来的东西。
- 独立复核
- 复核人先看原文给判断，再和分数比对，避免被数字带偏。
- 沟通讲理由
- 跟学生或作者讲具体段落和理由，不甩一个百分比，并写明申诉通道和复核时限。
- 季度复盘
- 看复核推翻了哪些结果，反过来调阈值和工具组合。
这里有个容易忽略的判断标准：如果某类文本的复核推翻率一直很高，说明不是执行人的问题，是阈值定得不对或工具不适合这类文本，该调就调。反之，如果复核几乎从不推翻检测结果，也要警惕复核是不是走过场，独立判断这一步有没有真的做到位。
下一步把你团队常用的检测场景列出来，按文中的维度表填一遍，再去导航目录逐个核对当时的工具资料和口径，最后用自建样本跑一轮对照，流程能不能落地，跑一遍就知道。→常见问题
几家检测工具结果差很多，该信哪个？
都别当唯一标准。先看同一工具重测是否稳定，再看它对你们这类文本的误判多不多。实操上固定一家做初筛、另一家做复核，两家结论冲突时以人工阅读原文为准，并把这次冲突记进复盘记录，别靠换工具凑出一个想要的分数。
教师拿检测结果处理学生，合规上要注意什么？
检测结果只是参考证据，不能单独作为处分依据。要保留原文和检测记录、给当事人说明与申诉机会，分数和结论不要公开传播。涉及学生个人信息的存储和共享范围要按学校规定收窄，只留处理该次争议必需的部分。
免费工具够用吗，什么时候必须换付费的？
偶尔抽查、量小、不涉及争议处理，免费额度基本够；一旦进入正式审核链条——要出报告、要留档、要应对申诉——稳定性、可导出和响应速度就成硬指标。换不换的标准是有没有因为工具不稳定产生返工，而不是免费还是付费。
