💻 computer science

$k$ NNProxy: Efficient Training-Free Proxy Alignment for Black-Box Zero-Shot LLM-Generated Text Detection

यह शोध पत्र $k$ NNProxy का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free) और क्वेरी-कुशल (query-efficient) ढांचा है जो एक हल्के डेटास्टोर पर $k$ -निकटतम पड़ोसी (k-nearest neighbor) रिट्रीवल तंत्र के माध्यम से एक निश्चित प्रॉक्सी LLM को अज्ञात स्रोत मॉडलों के साथ संरेखित करता है, जिससे फाइन-ट्यूनिंग या बार-बार API इंटरैक्शन की आवश्यकता के बिना LLM-जनित टेक्स्ट का सुदृढ़ ज़ीरो-शॉट डिटेक्शन सक्षम होता है।

मूल लेखक: Kahim Wong, Kemou Li, Haiwei Wu, Jiantao Zhou

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kahim Wong, Kemou Li, Haiwei Wu, Jiantao Zhou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक रहस्यमय पत्र किसी इंसान ने लिखा है या किसी परिष्कृत (sophisticated) AI ने। यह LLM-जनरेटेड टेक्स्ट डिटेक्शन की चुनौती है।

लंबे समय तक, जासूसों के पास दो मुख्य उपकरण थे:

"ट्रेनिंग" विधि: वे हजारों मानव और AI लेखन के उदाहरणों को पढ़ने के लिए विशेषज्ञों की एक टीम को काम पर रखते थे ताकि अंतर को सीखा जा सके। यह अच्छा काम करता है, लेकिन यह महंगा और धीमा है, और यदि AI अपनी शैली बदल देता है (जो वे लगातार करते हैं), तो विशेषज्ञों को फिर से ट्रेनिंग देने की आवश्यकता होती है।
"ज़ीरो-शॉट" विधि: वे एक "प्रॉक्सि" AI (एक मुफ्त, ओपन-सोर्स मॉडल) का उपयोग करते थे जो यह अनुमान लगाता था कि क्या टेक्स्ट AI द्वारा लिखा गया है। विचार यह था: "यदि मेरा मुफ्त AI सोचता है कि यह टेक्स्ट अजीब दिखता है, तो संभावना है कि किसी इंसान ने इसे नहीं लिखा है।"

समस्या:
"ज़ीरो-शॉट" विधि में एक बड़ी खामी है। यह मानती है कि आपका मुफ्त "प्रॉक्सि" AI ठीक उसी तरह सोचता है जैसे वह शक्तिशाली, गुप्त "सोर्स" AI जिसने पत्र लिखा है। लेकिन वे अक्सर बहुत अलग होते हैं!

यह एक मास्टर चोर को पकड़ने के लिए पड़ोस की बिल्ली से उसकी आदतों का वर्णन करने के लिए पूछने जैसा है। बिल्ली (प्रॉक्सि) अनुमान लगा सकती है, लेकिन वह चोर (सोर्स) की विशिष्ट शैली को वास्तव में नहीं जानती।
इसे ठीक करने के पिछले प्रयासों में या तो बिल्ली को "फाइन-ट्यूनिंग" करना (जो महंगा और धीमा है) या लगातार "चोर" से सुराग मांगना (महंगे API कॉल करना जो बदल सकते हैं या बंद हो सकते हैं) शामिल था।

समाधान: kNNProxy (एक "स्मार्ट लाइब्रेरियन" दृष्टिकोण)

इस पेपर के लेखक, kNNProxy, एक चतुर, मुफ्त और तेज़ समाधान प्रस्तावित करते हैं। वे इस समस्या को एक लाइब्रेरी की तरह देखते हैं।

1. मूल विचार: "मुझे अपने पड़ोसी दिखाओ"

प्रॉक्सि AI को फिर से प्रशिक्षित करने के बजाय, kNNProxy उसे एक विशेष लाइब्रेरी के उदाहरणों (एक "डेटास्टोर") से लैस करता है, जो उस विशिष्ट AI की शैली से बना है जिसे वह डिटेक्ट करने की कोशिश कर रहा है।

उपमा: कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक नया वाक्य शेक्सपियर द्वारा लिखा गया है या नहीं। आपके पास एक बुनियादी AI है जो शेक्सपियर को नहीं जानता।
- पुराना तरीका: आप बुनियादी AI को शेक्सपियर की पूरी शब्दावली सिखाने की कोशिश करते हैं (महंगी ट्रेनिंग)।
- kNNProxy तरीका: आप बुनियादी AI को शेक्सपियर की वास्तविक पंक्तियों की एक किताब देते हैं। जब AI एक नया वाक्य देखता है, तो वह कहता है, "हम्म, यह इन तीन पंक्तियों जैसा दिखता है जो मुझे अभी किताब में मिली हैं। मैं अपने अनुमान को उनसे मिलाने के लिए समायोजित करूँगा।"

2. यह कैसे काम करता है (चरण-दर-चरण)

लाइब्रेरी बनाना (ऑफलाइन): डिटेक्शन शुरू करने से पहले, आप लक्षित AI (या एक समान AI) द्वारा उत्पन्न बहुत सारे टेक्स्ट लेते हैं और उन्हें एक खोजने योग्य डेटाबेस में रखते हैं। आपको AI के दिमाग को बदलने की आवश्यकता नहीं है; आप बस उसके "फिंगरप्रिंट्स" को स्टोर करते हैं।
जासूस का काम (इन्फरेंस): जब एक संदिग्ध टेक्स्ट आता है:
- बुनियादी "प्रॉक्सि" AI एक शब्द को देखता है और अनुमान लगाता है कि आगे क्या आएगा।
- kNNProxy लाइब्रेरी को देखता है और निकटतम पड़ोसियों (लाइब्रेरी से सबसे समान वाक्य) को ढूंढता है।
- वह पूछता है: "वास्तविक AI आमतौर पर इस विशिष्ट वाक्यांश के बाद क्या लिखता था?"
- वह प्रॉक्सी के अनुमान को लाइब्रेरी के साक्ष्य के साथ मिलाता है।
परिणाम: अंतिम भविष्यवाणी अब वास्तविक AI की शैली के साथ "संरेखित" (aligned) होती है, भले ही डिटेक्टर ने कभी भी वास्तविक AI के गुप्त कोड को छुआ न हो।

3. विभिन्न "बोलियों" को संभालना (MoP)

क्या होगा यदि टेक्स्ट एक दिन विज्ञान के बारे में है और अगले दिन सोशल मीडिया के बारे में? विज्ञान के पेपरों से भरी लाइब्रेरी ट्वीट को पढ़ते समय डिटेक्टर को भ्रमित कर सकती है।

लेखकों ने मिक्सचर ऑफ प्रॉक्सीज़ (MoP) जोड़ा है।

उपमा: कल्पना कीजिए कि एक जासूसी एजेंसी है जिसमें विशेष इकाइयाँ हैं। एक इकाई अपराध कथाओं को संभालती है, दूसरी मेडिकल जर्नल को, और तीसरी ट्वीट्स को।
जब एक नया पत्र आता है, तो एक स्मार्ट राउटर (एक रिसेप्शनिस्ट की तरह) जल्दी से विषय की जांच करता है और पत्र को सही लाइब्रेरी वाले विशेषज्ञ यूनिट के पास भेज देता है। यह सिस्टम को अधिक मजबूत बनाता है जब विषय बदल जाता है।

4. "सेफ्टी नेट" (एडेप्टिव पैरामीटर्स)

कभी-कभी, लाइब्रेरी के पास कोई सटीक मिलान नहीं हो सकता है। पेपर में एक गणितीय "सेफ्टी नेट" शामिल है जो स्वचालित रूप से यह समायोजित करता है कि डिटेक्टर लाइब्रेरी पर कितना भरोसा करता है बनाम अपनी अंतरात्मा की भावना पर।

यदि लाइब्रेरी के पास एक सटीक मिलान है, तो यह लाइब्रेरी पर 100% भरोसा करता है।
यदि लाइब्रेरी अस्पष्ट है, तो यह प्रॉक्सी AI की ओर अधिक झुकता है।
यह हर एक शब्द के लिए स्वचालित रूप से होता है, जिससे सिस्टम अविश्वसनीय रूप से सटीक बनता है।

यह एक बड़ी बात क्यों है?

यह मुफ्त और तेज़ है: कोई महंगी ट्रेनिंग नहीं। आप लाइब्रेरी एक बार बनाते हैं, और फिर आप तुरंत टेक्स्ट को डिटेक्ट कर सकते हैं।
यह मजबूत है: यह तब भी काम करता है जब AI अपनी शैली बदल देता है या यदि टेक्स्ट किसी बिल्कुल नए विषय के बारे में है (विशेष इकाइयों के कारण)।
यह सटीक है: परीक्षणों में, इस पद्धति ने आठ अलग-अलग शक्तिशाली AI मॉडलों में 99% सटीकता दर (AUROC 0.99) हासिल की, जो पिछले सर्वोत्तम तरीकों को महत्वपूर्ण अंतर से पीछे छोड़ देती है।

निचोड़ (The Bottom Line)

kNNProxy ऐसा है जैसे किसी जासूस को हर उस विशिष्ट अपराधी के लिए एक व्यक्तिगत चीट शीट देना जिसे वह ढूंढ रहा है। अपराधी पर विशेषज्ञ बनने (ट्रेनिंग) के बजाय, जासूस बस अपराधी की पिछली आदतों की एक सूची (डेटास्टोर) रखता है और वास्तविक समय में उसकी तुलना करता है। यह स्मार्ट है, तेज़ है, और इसके लिए अपराधी का कमरे में मौजूद होना आवश्यक नहीं है।

यहाँ शोध पत्र "kNNProxy: Efficient Training-Free Proxy Alignment for Black-Box Zero-Shot LLM-Generated Text Detection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) के प्रसार ने गलत सूचना को रोकने और डिजिटल विश्वास सुनिश्चित करने के लिए AI-जनित टेक्स्ट (LGT) का पता लगाने की एक महत्वपूर्ण आवश्यकता पैदा कर दी है।

चुनौती: मौजूदा डिटेक्शन विधियाँ दो श्रेणियों में आती हैं:
1. लर्निंग-आधारित (Learning-based): इनके लिए लेबल किए गए डेटा पर प्रशिक्षण की आवश्यकता होती है, जो महंगा है और अक्सर अनदेखे मॉडल्स या डोमेन (Out-of-Distribution/OOD) पर सामान्यीकरण करने में विफल रहता है।
2. ज़ीरो-शॉट (Zero-shot): ये एक "प्रॉक्सी" LLM का उपयोग करके अज्ञात "सोर्स" LLM का अनुकरण करते हैं। ये प्रशिक्षण-मुक्त हैं लेकिन इस धारणा पर अत्यधिक निर्भर हैं कि प्रॉक्सी का आउटपुट वितरण (output distribution) सोर्स के वितरण के समान है।
अंतराल (The Gap): वास्तविक दुनिया के ब्लैक-बॉक्स परिदृश्यों में, सोर्स LLM अज्ञात होता है। एक एकल निश्चित प्रॉक्सी LLM (जैसे, GPT-Neo) अक्सर विविध प्रोप्रायटरी सोर्स मॉडल्स (जैसे, GPT-4, Claude, Gemini) के साथ संरेखित (align) होने में विफल रहता है, जिससे डिटेक्शन प्रदर्शन खराब हो जाता है।
वर्तमान समाधानों की सीमाएँ: मौजूदा प्रॉक्सी अलाइनमेंट विधियाँ (जैसे, DALD, Glimpse) इस अंतर को पाटने का प्रयास करती हैं लेकिन इनसे निम्नलिखित समस्याएं होती हैं:
- उच्च लागत: सुपरवाइज्ड फाइन-ट्यूनिंग (DALD) की आवश्यकता या टॉप- $k$ संभावनाओं (probabilities) को प्राप्त करने के लिए बार-बार महंगे API कॉल (Glimpse) की आवश्यकता।
- भंगुरता (Fragility): साइलेंट API परिवर्तनों के प्रति संवेदनशील और डोमेन शिफ्ट (जैसे, अकादमिक से सोशल मीडिया टेक्स्ट में स्विच करना) के तहत मजबूती की कमी।

2. कार्यप्रणाली (Methodology)

लेखक kNNProxy प्रस्तावित करते हैं, जो एक प्रशिक्षण-मुक्त, क्वेरी-कुशल फ्रेमवर्क है जो एक निश्चित प्रॉक्सी LLM के लिए डोमेन एडॉप्टर के रूप में k-Nearest Neighbor Language Model (kNN-LM) तंत्र का पुन: उपयोग करता है।

A. मुख्य तंत्र: kNNProxy

प्रॉक्सी को फाइन-ट्यून करने के बजाय, kNNProxy इसे टोकन-लेवल भविष्यवाणियों को ठीक करने के लिए एक नॉन-पैरामीट्रिक डेटास्टोर के साथ संवर्धित (augment) करता है।

ऑफलाइन डेटास्टोर निर्माण:
- लक्षित सोर्स LLM को दर्शाने वाला एक कॉर्पस (corpus) एकत्र किया जाता है (निश्चित-बजट API क्वेरी या मौजूदा डेटासेट्स के माध्यम से)।
- एक डेटास्टोर $I = \{(h_n, y_n)\}$ बनाया जाता है, जहाँ $h_n$ एक संदर्भ प्रतिनिधित्व (context representation) है (फिक्स्ड प्रॉक्सी द्वारा एनकोड किया गया) और $y_n$ अगला टोकन है।
- यह प्रक्रिया एक बार की जाती है और इसमें किसी आगे के प्रशिक्षण की आवश्यकता नहीं होती है।
अनुमान और संरेखण (Inference & Alignment):
- एक संदिग्ध टेक्स्ट के लिए, प्रत्येक टोकन स्थिति $i$ पर, सिस्टम क्वेरी कॉन्टेक्स्ट के आधार पर डेटास्टोर से $k$ निकटतम पड़ोसियों (nearest neighbors) को खोजता है।
- एक रिट्रीवल-इंड्यूस्ड डिस्ट्रीब्यूशन ( $\pi_{knn}$ ) गणना की जाती है जो पड़ोसियों के अगले टोकनों पर आधारित होती है, जिन्हें उनके दूरी (distance) के आधार पर भारित (weighted) किया जाता है।
- इंटरपोलेशन (Interpolation): अंतिम संरेखित वितरण $\hat{\pi}$ , फिक्स्ड प्रॉक्सी के आउटपुट ( $\pi_{prx}$ ) और रिट्रीवल आउटपुट ( $\pi_{knn}$ ) का एक भारित मिश्रण है:
  $\hat{\pi}^{(i)} = \lambda_i \pi_{prx}^{(i)} + (1 - \lambda_i) \pi_{knn}^{(i)}$
- इस संरेखित वितरण को फिर मानक ज़ीरो-शॉट डिटेक्टर्स (जैसे, Fast-DetectGPT, Binoculars) में फीड किया जाता है।

B. विस्तार: मिश्रण ऑफ प्रॉक्सीज़ (Mixture of Proxies - MoP)

आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) मजबूती (जैसे, जब टेस्ट टेक्स्ट का विषय डेटास्टोर के विषय से भिन्न हो) को संबोधित करने के लिए:

आर्किटेक्चर: कई डोमेन-विशिष्ट डेटास्टोर्स बनाए जाते हैं (जैसे, एक समाचार के लिए, एक अकादमिक के लिए)।
रूटिंग: एक हल्का राउटर (सेंटेंस एम्बेडिंग्स और kNN का उपयोग करके) इनपुट टेक्स्ट के डोमेन को वर्गीकृत करता है और उसे सबसे संगत विशेषज्ञ डेटास्टोर की ओर निर्देशित करता है।
लाभ: डोमेन-संगत रिट्रीवल सुनिश्चित करता है, जिससे गलत डोमेन से भ्रामक साक्ष्य के इंजेक्शन को रोका जा सकता है।

C. सैद्धांतिक विश्लेषण और अनुकूलन (Theoretical Analysis & Adaptive Design)

लेखक रिट्रीवल-प्रेरित वितरण के लिए एक कॉर्पस-साइज-डिपेंडेंट एप्रोक्सिमेशन एरर बाउंड व्युत्पन्न करते हैं। त्रुटि को निम्नलिखित में विभाजित किया गया है:

बायस (Bias): क्वेरी और पड़ोसियों के बीच की दूरी से संबंधित (स्थानीय स्मूथनेस)।
वैरिएंस (Variance): भार के संकेंद्रण (effective neighborhood size) से संबंधित।
अनुकूलन योग्य हाइपरपैरामीटर (Adaptive Hyperparameters): इस बाउंड से प्रेरित होकर, विधि प्रत्येक टोकन के लिए $k$ $k$ , $\tau$ $τ$ , और $\lambda$ $λ$ को गतिशील रूप से समायोजित करती है।
- घने क्षेत्र (Dense regions): वैरिएंस को कम करने के लिए बड़ा $k$ और स्मूथ वेट्स का उपयोग करता है।
- विरल क्षेत्र (Sparse regions): दूर के पड़ोसियों से बायस से बचने के लिए छोटा $k$ उपयोग करता है।
- विश्वसनीयता: यदि रिट्रीवल अविश्वसनीय है (उच्च त्रुटि), तो सिस्टम प्रॉक्सी की ओर अधिक झुकता है ( $\lambda \to 1$ ); यदि विश्वसनीय है, तो रिट्रीवल की ओर झुकता है ( $\lambda \to 0$ )।

D. मजबूत एकत्रीकरण (Robust Aggregation)

टोकन-लेवल लॉग-लाइक्लीहुड में आउटलेर्स को संभालने के लिए, विधि लोअर-टेल क्लिपिंग (lower-tail clipping) का उपयोग करती है। अत्यधिक कम-लाइक्लीहुड वाले टोकन को औसत निकालने से पहले एक थ्रेशोल्ड $\gamma$ तक क्लिप किया जाता है, जिससे वे अंतिम डिटेक्शन स्कोर पर हावी न हो सकें।

3. प्रमुख योगदान (Key Contributions)

प्रशिक्षण-मुक्त संरेखण (Training-Free Alignment): kNNProxy पेश करता है, जो फाइन-ट्यूनिंग या प्रति-इनपुट API कॉल के बिना, एक फिक्स्ड प्रॉक्सी LLM को सोर्स LLM के साथ संरेखित करने वाला पहला रिट्रीवल-ऑगमेंटेड तरीका है।
डोमेन मजबूती (MoP): एक 'मिश्रण ऑफ प्रॉक्सीज़' आर्किटेक्चर प्रस्तावित करता है जो इनपुट को डोमेन-विशिष्ट विशेषज्ञों की ओर रूट करता है, जिससे OOD टेक्स्ट पर प्रदर्शन में काफी सुधार होता है।
सैद्धांतिक आधार: रिट्रीवल-आधारित अलाइनमेंट के लिए एक एरर बाउंड व्युत्पन्न करता है, जो सीधे एक नए टोकन-वाइज अडैप्टिव हाइपरपैरामीटर रणनीति को प्रेरित करता है, जिससे महंगी ग्रिड सर्च की आवश्यकता समाप्त हो जाती है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: विविध प्रोप्रायटरी मॉडल्स और डोमेन में बेहतर डिटेक्शन सटीकता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन Mix8 (8 प्रोप्रायटरी LLMs, 4 डोमेन) और DetectRL (अटैक-ऑगमेंटेड डेटा सहित) पर किया गया।

डिटेक्शन प्रदर्शन (AUROC):
- kNNProxy + Binoculars ने 8 प्रोप्रायटरी LLMs में औसत AUROC 0.990 प्राप्त किया।
- यह पिछले SOTA अलाइनमेंट मेथड (Glimpse) की तुलना में 6.45% सुधार और अन-अलाइन्ड Binoculars बेसलाइन की तुलना में 1.64% सुधार दर्शाता है।
- इसने DALD (फाइन-ट्यूनिंग आधारित) और Glimpse (API-आधारित) को विशेष रूप से ब्लैक-बॉक्स सेटिंग्स में काफी पीछे छोड़ दिया जहाँ API एक्सेस प्रतिबंधित है।
मजबूती (Robustness):
- OOD स्थितियों के तहत (अलग विषय या सोर्स मॉडल), kNNProxy उच्च F1 स्कोर (~0.91) बनाए रखता है, जबकि बेसलाइन्स काफी गिर जाते हैं।
- MoP विस्तार ने OOD मजबूती में सुधार किया, जो Binoculars+MoP वेरिएंट के लिए 0.911 का औसत F1 प्राप्त करता है।
सोर्स एट्रीब्यूशन (Source Attribution):
- बाइनरी डिटेक्शन के अलावा, kNNProxy का उपयोग क्लोज्ड-सेट सोर्स एट्रीब्यूशन (यह पहचानना कि किस LLM ने टेक्स्ट जनरेट किया है) के लिए किया गया, जिसने 4 मॉडल्स में औसत सटीकता 0.84 प्राप्त की।
एब्लेशन स्टडीज (Ablation Studies):
- अनुकूलन योग्य हाइपरपैरामीटर: टोकन-वाइज अडैप्टिव रणनीति ( $k, \tau, \lambda$ ) ने लगातार फिक्स्ड ग्लोबल सेटिंग्स की तुलना में बेहतर प्रदर्शन किया।
- कॉर्पस साइज: प्रदर्शन डेटास्टोर के आकार के साथ सकारात्मक रूप से बढ़ा, जो समृद्ध डोमेन कवरेज के महत्व की पुष्टि करता है।
- बेस प्रॉक्सी: विधि विभिन्न बेस प्रॉक्सीज़ (जैसे, Falcon-7B-Instruct) के साथ प्रभावी ढंग से काम करती है, जो यह दिखाती है कि यह किसी विशिष्ट अंडरलाइंग मॉडल पर निर्भर नहीं है।

5. महत्व (Significance)

व्यावहारिक तैनाती: फाइन-ट्यूनिंग और महंगे बार-बार API क्वेरी की आवश्यकता को समाप्त करके, kNNProxy वास्तविक दुनिया के LGT डिटेक्शन के लिए एक कम लागत वाला, स्केलेबल और मजबूत समाधान प्रदान करता है।
API परिवर्तनों के प्रति लचीलापन: Glimpse के विपरीत, जो तब टूट जाता है जब API टॉप- $k$ संभावनाओं को वापस करना बंद कर देते हैं, kNNProxy केवल टेक्स्ट जेनरेशन पर निर्भर करता है, जो इसे API नीति परिवर्तनों के विरुद्ध भविष्य के अनुकूल बनाता है।
सैद्धांतिक अंतर्दृष्टि: यह कार्य रिट्रीवल-ऑगमेंटेड जनरेशन (kNN-LM) और फोरेंसिक डिटेक्शन के बीच के अंतर को पाटता है, जो रिट्रीवल-आधारित अलाइनमेंट को समझने और अनुकूलित करने के लिए एक सैद्धांतिक ढांचा प्रदान करता है।
सामान्यीकरण (Generalizability): यह दृष्टिकोण केवल डिटेक्शन तक सीमित नहीं है; यह सोर्स एट्रीब्यूशन तक विस्तारित होता है और इसे अन्य कार्यों के लिए भी अनुकूलित किया जा सकता है जिनमें एक फिक्स्ड मॉडल और एक लक्षित वितरण के बीच वितरण संरेखण की आवश्यकता होती है।

संक्षेप में, kNNProxy एक हल्के, रिट्रीवल-आधारित एडॉप्टर का उपयोग करके ब्लैक-बॉक्स ज़ीरो-शॉट डिटेक्शन में महत्वपूर्ण "अलाइनमेंट गैप" को हल करता है, जो प्रशिक्षण-मुक्त, डोमेन-अनुकूल और सैद्धांतिक रूप से सुदृढ़ है, और LLM-जनित टेक्स्ट डिटेक्शन के लिए एक नया बेंचमार्क स्थापित करता है।