🤖 machine learning

StyleShield: Exposing the Fragility of AIGC Detectors through Continuous Controllable Style Transfer

यह शोधपत्र StyleShield को प्रस्तुत करता है, जो एक निरंतर नियंत्रणीय शैली हस्तांतरण (style transfer) ढांचा है जो अर्थपूर्ण अर्थ को सुरक्षित रखते हुए प्रभावी ढंग से AIGC डिटेक्टरों से बचता है, जिससे वर्तमान पहचान प्रणालियों की मौलिक भंगुरता और अविश्वसनीयता उजागर होती है।

मूल लेखक: Guantian Zheng

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guantian Zheng

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

यहाँ शोध पत्र "STYLESHIELD: Exposing the Fragility of AIGC Detectors" का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी समस्या: "नकली" बनाम "असली" का जासूस

कल्पना कीजिए कि एक स्कूल में एक नया, हाई-टेक सुरक्षा गार्ड (एक AIGC डिटेक्टर) काम पर रखा गया है ताकि उन छात्रों को पकड़ सके जो अपने निबंध लिखने के लिए AI का उपयोग करके नकल करते हैं। उस गार्ड का काम यह बताना है कि कौन सा निबंध इंसान द्वारा लिखा गया है और कौन सा रोबोट द्वारा।

इस शोध पत्र के लेखक तर्क देते हैं कि यह सुरक्षा गार्ड मौलिक रूप से दोषपूर्ण है। वे कहते हैं कि गार्ड "सांख्यिकीय उंगलियों के निशान" (statistical fingerprints) की तलाश कर रहा है जो अब गायब होते जा रहे हैं। जैसे-जैसे AI इंसानों जैसा सुनाई देने में बेहतर होता जा रहा है, और इंसान AI का उपयोग करने में बेहतर होते जा रहे हैं, दोनों के बीच की रेखा धुंधली होती जा रही है। गार्ड एक ऐसे भूत को पकड़ने की कोशिश कर रहा है जो धीरे-धीरे एक इंसान में बदल रहा है।

इससे भी बुरा, यह शोध पत्र हितों के टकराव (conflict of interest) की ओर इशारा करता है: वही कंपनियाँ अक्सर "सुरक्षा गार्ड" (नकलियों को पकड़ने के लिए) और "इरेज़र" (लोगों को AI का उपयोग छिपाने में मदद करने के लिए) दोनों बेचती हैं। यह एक ऐसा सिस्टम बनाता है जहाँ गार्ड जानबूझकर "नकलियों" को खोजने के लिए पक्षपाती हो सकता है, भले ही वे वहाँ मौजूद न हों, ताकि वह अधिक "इरेज़र" बेच सके।

समाधान: STYLESHIELD (द "स्टाइल कामेलियन")

इस गार्ड की अविश्वसनीयता को साबित करने के लिए, शोधकर्ताओं ने STYLESHIELD नामक एक टूल बनाया।

STYLESHIELD को एक "हैक" करने वाले टूल के रूप में नहीं, बल्कि एक मास्टर कॉस्ट्यूम डिज़ाइनर के रूप में देखें।

लक्ष्य: AI द्वारा लिखे गए टेक्स्ट (जिसे गार्ड "नकली" समझता है) को इस तरह सजाना कि वह बिल्कुल वैसा ही लगे और महसूस हो जैसे किसी इंसान ने लिखा हो, बिना वास्तविक कहानी या अर्थ को बदले।
जादुई ट्रिक: डिटेक्टरों को चकमा देने के पिछले अधिकांश प्रयास एक व्यक्ति पर नकली मूंछ लगाने जैसे थे। गार्ड अभी भी व्यक्ति का चेहरा (टेक्स्ट स्ट्रक्चर) देख सकता था और जान सकता था कि वह नकली है।
STYLESHIELD का दृष्टिकोण: केवल शब्दों को बदलने (जैसे एक शब्दकोश) के बजाय, STYLESHIELD टेक्स्ट की "आत्मा" (गणितीय एम्बेडिंग स्पेस) में काम करता है। यह AI टेक्स्ट को लेता है और उसे धीरे से "पिघलाता" है, फिर उसे एक मानवीय आकार में "दोबारा जमा" देता है।

यह कैसे काम करता है: "वॉल्यूम नॉब" का उदाहरण

STYLESHIELD की सबसे शक्तिशाली विशेषता एक सिंगल कंट्रोल नॉब है जिसे $\gamma$ (गामा) कहा जाता है।

कल्पना कीजिए कि आपके पास एक रेडियो बज रहा है जिसमें एक गाना रोबोटिक लग रहा है।

नॉब को थोड़ा घुमाएँ (Low $\gamma$ ): गाना अभी भी थोड़ा रोबोटिक लगता है, लेकिन आवाज़ थोड़ी गर्म (warmer) हो जाती है। डिटेक्टर इसे अभी भी पकड़ सकता है।
नॉब को ऊपर घुमाएँ (High $\gamma$ ): गाना पूरी तरह से बदल जाता है। अब यह एक इंसान की तरह लगता है जो भावना, ठहराव और बारीकियों के साथ गा रहा है। डिटेक्टर इसे "इंसान!" सुनता है और इसे जाने देता है।
रहस्य: आप नॉब को कहीं भी रोक सकते हैं। यह शोधकर्ताओं को यह तय करने की अनुमति देता है कि वे टेक्स्ट को कितना बदलना चाहते हैं। वे इसे 90% मानव-जैसा या 99% मानव-जैसा बना सकते हैं, जबकि अर्थ को 100% समान रखते हैं।

परिणाम: गार्ड सो रहा है

शोधकर्ताओं ने चार अलग-अलग "सुरक्षा गार्डों" (डिटेक्टरों) के खिलाफ STYLESHIELD का परीक्षण किया:

मुख्य गार्ड: जिसके खिलाफ उन्हें प्रशिक्षित किया गया था।
तीन अन्य गार्ड: अलग-अलग डिटेक्टर जिन्हें उन्होंने पहले कभी नहीं देखा था।

परिणाम:

मुख्य गार्ड के खिलाफ: STYLESHIELD ने 94.6% बार उसे चकमा दिया।
अन्य गार्डों के खिलाफ: इसने उन्हें 99% बार चकमा दिया।
अर्थ: टेक्स्ट का अर्थ बिल्कुल सही था। यदि आप किसी इंसान से "AI" टेक्स्ट और "STYLESHIELD" टेक्स्ट को पढ़ने के लिए कहते, तो वे सोचते कि वे एक ही व्यक्ति द्वारा लिखे गए थे।

"RateAudit" प्रयोग: स्कोर निर्धारित करना

शोधकर्ताओं ने एक उपकरण भी बनाया जिसे RateAudit कहा जाता है। यह एक पूरे दस्तावेज़ के लिए "वॉल्यूम मिक्सर" की तरह है।

कल्पना कीजिए कि एक लंबा निबंध 20 छोटे पैराग्राफों से बना है। डिटेक्टर प्रत्येक पैराग्राफ को स्कैन करता है और एक "संदेह स्कोर" देता है।

ट्रिक: RateAudit उन कुछ पैराग्राफों को ढूंढता है जो सबसे अधिक "रोबोटिक" दिखते हैं और केवल उन्हीं विशिष्ट हिस्सों को STYLESHಫ್ का उपयोग करके फिर से लिखता है।
परिणाम: वे एक ऐसे दस्तावेज़ को ले सकते थे जिसे डिटेक्टर ने "100% AI" बताया था, और केवल कुछ पैराग्राफ बदलकर, वे डिटेक्टर को यह कहने के लिए मजबूर कर सकते थे कि यह "10% AI" है, "50% AI" है, या "90% AI" है—ठीक उतना ही जितना वे चाहते थे।

यह साबित करता है कि डिटेक्टर द्वारा दिया जाने वाला "प्रतिशत स्कोर" मनमाना है। आप रेडियो वॉल्यूम की तरह स्कोर को ऊपर या नीचे घुमा सकते हैं, बिना लेखन की गुणवत्ता बदले।

यह क्यों मायने रखता है (विश्वास की "कीमत")

यह शोध पत्र एक डरावनी वास्तविकता को उजागर करता है:

लागत: विश्वविद्यालय और कंपनियाँ इन डिटेक्टरों का उपयोग करने के लिए भारी मात्रा में पैसा खर्च कर रहे हैं। शोध पत्र नोट करता है कि कुछ डिटेक्टरों की लागत प्रति शब्द AI मॉडल की तुलना में हजारों गुना अधिक होती है जो टेक्स्ट लिखते हैं।
हानि: क्योंकि डिटेक्टर अविश्वसनीय हैं, वे वास्तविक इंसानों पर नकल करने का झूठा आरोप लगा रहे हैं। शोध पत्र वास्तविक मामलों का उल्लेख करता है जहाँ प्रोफेसरों और छात्रों को करियर खत्म करने वाली सजाओं का सामना करना पड़ा क्योंकि एक कंप्यूटर ने कहा कि उनका काम AI-जनित था, भले ही वह नहीं था।

निष्कर्ष

लेखक लोगों को नकल करने में मदद करने की कोशिश नहीं कर रहे हैं। वे अलार्म बजाने की कोशिश कर रहे हैं।

वे कह रहे हैं: "हमने एक ऐसा टूल बनाया है जो किसी भी AI टेक्स्ट को मानव टेक्स्ट में बदल सकता है और डिटेक्टर के स्कोर को अपनी इच्छानुसार सेट कर सकता है। यह साबित करता है कि ये डिटेक्टर इतने विश्वसनीय नहीं हैं कि जीवन-मरण के निर्णय (जैसे छात्र को फेल करना या कर्मचारी को नौकरी से निकालना) लिए जा सकें।"

उनका तर्क है कि हमें इस आधार पर लोगों को आंकना बंद कर देना चाहिए कि टेक्स्ट कहाँ से आया है (AI बनाम मानव) और इस आधार पर आंकना शुरू करना चाहिए कि टेक्स्ट वास्तव में क्या कहता है (क्या यह स्मार्ट है? क्या यह मौलिक है?)।

संक्षेप में: "AI डिटेक्टर" एक टूटा हुआ तराजू है जिसे एक पंख को ईंट के रूप में और एक ईंट को पंख के रूप में तौलने के लिए ठगा जा सकता है। हमें तराजू पर भरोसा करना बंद कर देना चाहिए और खुद वस्तु को देखना शुरू करना चाहिए।

यहाँ शोध पत्र "STYLESHIELD: Continuous Controllable Style Transfer के माध्यम से AIGC Detectors की नाजुकता को उजागर करना" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र AI-जनित सामग्री (AIGC) डिटेक्टरों से जुड़ी गंभीर विश्वसनीयता संबंधी समस्याओं को संबोधित करता है, जिनका उपयोग शैक्षणिक अखंडता (academic integrity) की जांच और भर्ती जैसे उच्च-दांव वाले परिदृश्यों में तेजी से किया जा रहा है। लेखक तर्क देते हैं कि वर्तमान डिटेक्शन प्रतिमान (paradigm) मौलिक रूप से त्रुटिपूर्ण है क्योंकि:

"डिटेक्शन फैलेसी" (The Detection Fallacy): AI और मानव पाठ के बीच का सांख्यिकीय अंतर समाप्त हो रहा है क्योंकि आधुनिक लार्ज लैंग्वेज मॉडल्स (LLMs) को मानव कॉर्पोरा पर प्रशिक्षित किया जाता है, और मनुष्य तेजी से AI सहायता का उपयोग कर रहे हैं। डिटेक्टर श्रेणीगत अंतर के बजाय क्षणिक सांख्यिकीय आर्टिफैक्ट्स (statistical artifacts) पर निर्भर करते हैं।
व्यावसायिक विरूपण (Commercial Distortion): डिटेक्शन सेवाएँ अक्सर "डी-एआईफिकेशन" (पुनर्लेखन) सेवाओं के समान ही आपूर्ति श्रृंखला (supply chain) के भीतर काम करती हैं, जिससे हितों का टकराव पैदा होता है जो गुणवत्ता के मूल्यांकन के बजाय सामग्री को फ्लैग करने को प्राथमिकता देता है।
मौजूदा स्ट्रेस-टेस्ट की सीमाएं: वर्तमान एडवरसेरियल विधियाँ (जैसे LLM पुनर्लेखन, बैक-ट्रांसलेशन, सिनोनिम सब्स्टीट्यूशन) असतत (discrete) हैं, उनमें परिवर्तन की तीव्रता पर निरंतर नियंत्रण का अभाव है, और वे अक्सर अर्थ संबंधी गुणवत्ता को कम कर देती हैं या मजबूत डिटेक्टरों के सामने विफल हो जाती हैं।

2. कार्यप्रणाली: STYLESHIELD

लेखक STYLESHIELD प्रस्तावित करते हैं, जो Flow Matching का उपयोग करके टोकन एम्बेडिंग स्पेस में एक निरंतर डीनॉइजिंग प्रक्रिया (continuous denoising process) के रूप में AI-टू-ह्यूमन स्टाइल ट्रांसफर को मॉडल करने वाला पहला फ्रेमवर्क है।

मुख्य आर्किटेक्चर (Core Architecture)

बैकबोन (Backbone): एक डिफ्यूजन ट्रांसफार्मर (DiT) जिसे चीनी भाषा के टेक्स्ट (LANGFLOW डेटासेट का उपयोग करके) पर फ्लो मैचिंग के साथ प्री-ट्रेन किया गया है।
सिमेंटिक कंडीशनिंग (Semantic Conditioning): मूल अर्थ को सुरक्षित रखते हुए शैली बदलने के लिए, मॉडल जीरो-इनिशियलाइज्ड क्रॉस-अटेंशन एडेप्टर्स (zero-initialized cross-attention adapters) का उपयोग करता है। ये एडेप्टर्स एक फ्रीज्ड Qwen-7B एनकोडर (विशेष रूप से लेयर 14) के हिडन रिप्रेजेंटेशन को DiT बैकबोन में इंजेक्ट करते हैं।
- जीरो-इनिशियलाइजेशन: एडेप्टर्स शून्य वेट के साथ शुरू होते हैं, यह सुनिश्चित करते हुए कि मॉडल शुरुआत में बिल्कुल प्री-ट्रेन्ड बैकबोन की तरह व्यवहार करे, जिससे कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) को रोका जा सके।
प्रशिक्षण उद्देश्य (Training Objective):
- डीनॉइजिंग लॉस (Denoising Loss): नॉइजी AI एम्बेडिंग्स से मानव-शैली के टेक्स्ट को पुनर्गठित करने के लिए क्रॉस-एन्ट्रॉपी को कम करता है।
- डिटेक्टर-इन-द-लूप रिवॉर्ड (Detector-in-the-Loop Reward): एक वॉर्मअप अवधि के बाद एक सहायक लॉस टर्म ( $\lambda_{det} P_{AI}$ ) जोड़ा जाता है। यह मॉडल को सामग्री के विरूपण के बजाय शैलीगत बदलावों के माध्यम से डिटेक्शन से बचने के लिए प्रोत्साहित करता है, जो एक क्वालिटी रेगुलराइज़र के रूप में कार्य करता है।

इन्फरेंस रणनीति (SDEdit अनुकूलन)

सिस्टम SDEdit प्रतिमान (जो आमतौर पर इमेज सिंथेसिस में उपयोग किया जाता है) को टेक्स्ट एम्बेडिंग्स के लिए अनुकूलित करता है:

एनकोडिंग (Encoding): इनपुट AI टेक्स्ट को एम्बेड किया जाता है।
नॉइजिंग (Noising): एम्बेडिंग में एक नियंत्रणीय स्तर $\gamma$ (शुरुआत) पर नॉइज़ जोड़ा जाता है।
डीनॉइजिंग (Denoising): मॉडल अर्थ बनाए रखने के लिए फ्रीज्ड Qwen रिप्रेजेंटेशन पर कंडिशन होकर, एम्बेडिंग को बार-बार डीनॉइज़ करता है (64 Euler स्टेप्स)।
डिकोडिंग (Decoding): अंतिम लॉजिट्स को टेक्स्ट में डिकोड किया जाता है।

मुख्य नवाचार: पैरामीटर $\gamma$ एक निरंतर डायग्नोस्टिक एक्सिस (continuous diagnostic axis) के रूप में कार्य करता है। उपयोगकर्ता एवेशन स्ट्रेंथ (उच्च $\gamma$ ) और सिमेंटिक प्रिजर्वेशन (निम्न $\gamma$ ) के बीच के ट्रेड-ऑफ को सुचारू रूप से ट्यून कर सकते हैं, जो डिस्क्रीट टोकन हेरफेर के साथ संभव नहीं है।

RateAudit एल्गोरिदम

डिटेक्शन स्कोर की मनमानी को प्रदर्शित करने के लिए, लेखक RateAudit नामक एक डॉक्यूमेंट-लेवल शेड्यूलिंग एल्गोरिदम पेश करते हैं। यह:

एक लंबे दस्तावेज़ को चंक्स (chunks) में विभाजित करता है।
उच्च AI-डिटेक्शन स्कोर वाले "हॉट" चंक्स की पहचान करता है।
केवल इन चंक्स को एडेप्टिव $\gamma$ मानों के साथ STYLESHIELD का उपयोग करके चुनिंदा रूप से पुनर्लेखन करता है।
दस्तावेज़ के अधिकांश भाग को अपरिवर्तित रखते हुए, एक पूर्व-निर्धारित लक्ष्य डिटेक्शन रेट (जैसे, 90% AI स्कोर को 10% तक बदलना) को हिट करने के लिए स्कोर को एकत्रित करता है।

3. मुख्य योगदान

STYLESHIELD फ्रेमवर्क: निरंतर, नियंत्रणीय स्टाइल ट्रांसफर के लिए एक फ्लो-मैचिंग आधारित सिस्टम जो ट्रेनिंग डिटेक्टर के विरुद्ध ≥94.6% इवेजन (evasion) और तीन अनदेखे डिटेक्टरों के विरुद्ध ≥99% इवेजन प्राप्त करता है, जबकि 0.928 सिमेंटिक सिमिलरिटी बनाए रखता है।
जीरो-इनिशियलाइज्ड एडेप्टर्स: एक अभिनव आर्किटेक्चरल घटक जो जनरेटिव प्रक्रिया को अस्थिर किए बिना फ्रीज्ड LLM सिमेंटिक्स को DiT बैकबोन में सफलतापूर्वक इंजेक्ट करता है।
RateAudit: एक डायग्नोस्टिक टूल जो यह सिद्ध करता है कि डॉक्यूमेंट-लेवल डिटेक्शन रेट को मनमाने ढंग से मैनिपुलेट किया जा सकता है, जो प्रतिशत-आधारित निर्णयों की वैधता को चुनौती देता है।
नाजुकता का अनुभवजन्य प्रमाण: अध्ययन दर्शाता है कि डिटेक्टर केवल डिस्क्रीट शब्द प्रतिस्थापन के बजाय व्यवस्थित, निरंतर शैलीगत बदलावों के प्रति संवेदनशील हैं।

4. प्रयोगात्मक परिणाम

प्रयोग एक मल्टी-डोमेन चीनी बेंचमार्क (सोशल मीडिया, न्यूज़, एकेडेमिक) पर 436K ट्रेनिंग पेयर्स और 1,000 होल्ड-आउट सैंपल्स के साथ किए गए।

इवेजन प्रदर्शन (Evasion Performance):
- $\gamma=7.0$ पर, STYLESHIELD ने डिटेक्टर कॉन्फिडेंस ( $P_{AI}$ ) को 0.072 तक कम कर दिया (सिनोनिम सब्स्टीट्यूशन की तुलना में 13.7 गुना कमी)।
- इसने ट्रेनिंग डिटेक्टर पर 94.6% इवेजन (0.5 थ्रेशोल्ड से नीचे) और अनदेखे डिटेक्टरों (Det-v2, ANX-BERT, GPT2-Det) पर 99–100% इवेजन प्राप्त किया।
सिमेंटिक प्रिजर्वेशन (Semantic Preservation):
- 0.928 कोसाइन सिमिलरिटी (Qwen एम्बेडिंग्स) और ~21.2 का Perplexity (PPL) बनाए रखा।
- उल्लेखनीय रूप से, STYLESHIELD के आउटपुट का PPL (~~21) मूल AI टेक्स्ट (~~10.7) से अधिक और मानव टेक्स्ट (~16.5) के करीब है, जो मानव जैसी विविधता के सफल इंजेक्शन को दर्शाता है।
बेसलाइन के साथ तुलना:
- बैक-ट्रांसलेशन (Back-translation): इसने 82.6% इवेजन प्राप्त किया लेकिन गंभीर सिमेंटिक डिग्रेडेशन (0.852 सिमिलरिटी) और अप्राकृतिक नियमितता का सामना किया।
- LLM पुनर्लेखन (LLM Rewriting): यह विफल रहा (0.3% इवेजन), जो पुष्टि करता है कि LLM-जनित टेक्स्ट पहचानने योग्य पैटर्न बनाए रखता है।
- सिनोनिम सब्स्टीट्यूशन (Synonym Substitution): विफल रहा (0% इवेजन)।
एब्लेशन स्टडीज (Ablation Studies):
- डिटेक्टर रिवॉर्ड को हटाने से उच्च PPL और कम सिमिलरिटी हुई, जो क्वालिटी रेगुलराइज़र के रूप में इसकी भूमिका की पुष्टि करती है।
- Qwen कंडीशनिंग को हटाने से विनाशकारी गुणवत्ता हानि (PPL > 130) हुई, जो सिमेंटिक ग्राउंडिंग की आवश्यकता को सिद्ध करती है।
- Qwen एनकोडर की लेयर 14 को सिमेंटिक एब्स्ट्रैक्शन और टोकन-लेवल अलाइनमेंट के बीच संतुलन बनाने के लिए इष्टतम गहराई पाया गया।

5. महत्व और व्यापक प्रभाव

ज्ञानमीमांसीय चुनौती (Epistemic Challenge): यह शोध पत्र तर्क देता है कि टेक्स्ट को उसके मूल (origin) के आधार पर आंकना "तकनीकी रूप से नाजुक और ज्ञानमीमांसीय रूप से अविश्वसनीय" है। दस्तावेज़-स्तरीय डिटेक्शन रेट को (RateAudit के माध्यम से) मनमाने मानों तक बदलने की क्षमता यह सुझाव देती है कि डिटेक्शन प्रतिशत consequential निर्णयों के लिए कोई नैदानिक भार (diagnostic weight) नहीं रखते हैं।
लागत विषमता (Cost Asymmetry): लेखक एक चौंकाने वाली आर्थिक असमानता को उजागर करते हैं: AIGC डिटेक्शन सेवाएँ (जैसे CNKI) ~$641 प्रति मिलियन टोकन चार्ज करती हैं, जो सबसे सस्ते कमर्शियल LLM की तुलना में 6,410 गुना अधिक है। यह एक ऐसे लाभदायक बाजार का निर्माण करता है जो अपरीक्षित, नाजुक क्लासिफायर पर बना है।
नीतिगत सिफारिशें: लेखक मूल-आधारित डिटेक्शन के बजाय निम्नलिखित की वकालत करते हैं:
1. प्रक्रिया-आधारित मूल्यांकन (Process-based assessment): (ड्राफ्ट और रिवीज़न लॉग का मूल्यांकन करना)।
2. अनिवार्य एरर-रेट प्रकटीकरण (Mandatory error-rate disclosure): विक्रेताओं के लिए।
3. गुणवत्ता-केंद्रित मूल्यांकन (Quality-centered evaluation): (उत्पादन पद्धति की परवाह किए बिना समझ और मौलिकता का निर्णय लेना)।

निष्कर्ष: STYLESHIELD धोखाधड़ी करने के उपकरण के रूप में नहीं, बल्कि AIGC डिटेक्शन इकोसिस्टम की संरचनात्मक खामियों को उजागर करने वाले एक कठोर एडवरसेरियल ऑडिट के रूप में कार्य करता है। यह प्रदर्शित करता है कि जब निरंतर, सिमेंटिक-प्रिजर्विंग स्टाइल ट्रांसफर के अधीन किया जाता है, तो वर्तमान डिटेक्टर AI और मानव टेक्स्ट के बीच विश्वसनीय रूप से अंतर नहीं कर सकते।