Pangram 3.2 正式发布
宣布发布 Pangram 3.2
Pangram 非常激动地发布了一款新的 AI 检测模型——Pangram 3.2。与之前的 Pangram 3.1 和 Pangram 3.0 一样，该模型基于我们在ICLR 2026 论文中描述的 EditLens 架构。 用户将看到该检测器在“召回率”（即能够捕获的真实阳性结果数量）方面实现了渐进但显著的提升，同时保持了业界最低的误报率，确保因误判而产生的AI使用指控仍极为罕见。
模特卡
借鉴大型语言模型（LLM）发布的最佳实践，我们决定在发布检测器更新时同步发布“模型卡片”——这实质上是AI模型的“营养标签”。我们的模型卡片详细说明了训练架构和框架、训练数据集的具体信息、相关评估结果，以及可能影响检测器行为的变更。 此外，我们还详细说明了模型的输入和输出规格、支持的语言，以及在哪些条件下 Pangram 表现优异，以及其能力受限的场景。
您将体验到什么
您可能会注意到，Pangram 3.2的灵敏度高于Pangram 3.1。换句话说，它能检测出更多的 AI 生成的文本。这得益于以下方面的改进：Humanizer 检测功能的优化、对 Claude 4.6 的检测能力提升、对较短 AI 生成文本检测灵敏度的提高、训练数据集的扩充，以及 EditLens 架构中更优化的超参数设置。
有哪些改进
人性化检测与对抗性提示
Pangram 3.2 的最大改进在于其能够检测由AI 生成的拟人化文本。 在我们的内部“拟人化生成器”评估集上，相较于 Pangram 3.1，我们将其检测率提升了 4 倍。此外，在针对“对抗性提示词”的内部评估中，我们还观察到约 3 倍的性能提升。所谓“对抗性提示词”，是指由语言模型生成的文本，该模型被指令要求故意添加错误，并采用一种能够规避 AI 检测的写作风格。
这一点在教育领域尤为重要，因为学生们越来越多地使用“人性化”工具，或尝试以特定方式提示语言模型，以避免生成的文本给人一种“过于像AI生成的”感觉。
识别由人工智能生成的社交媒体短文
鉴于我们的X平台机器人广受欢迎——用户常利用它来检测推文中是否存在AI生成的内容——我们近期一直致力于提升对网络上短篇（推文长度）内容的检测能力。此外，我们将最低字数要求从75字下调至50字，因为我们对识别50至75字范围内AI生成帖文的能力更加有信心。
在与 Pangram 3.1 相同的假阳性率下，我们在 Pangram 3.2 中将短篇社交媒体帖子的假阴性率降低了 17%。
Claude 4.6 改进
许多用户反映，在检测Claude Opus 4.6时出现了误报。为解决这一问题，我们已重新生成数据集，并纳入了Claude Opus 4.6的相关数据。经过在内部挑战数据集（尤其是高难度样本）上的评估以及红队测试，我们现在确信Pangram能够有效检测Claude Opus 4.6，其性能不亚于任何其他前沿大型语言模型。
接下来会发生什么
由人工智能生成的数学、代码和科学
目前，AI生成的代码和数学内容尚未能被高准确率地检测出来。鉴于客户对此需求强烈，我们目前正重点关注这些应用场景。虽然数学和代码更具公式化特征，因此比AI生成的文本更难检测，但我们的一些早期实验已显示出令人鼓舞的结果。
对“Humanizers”的持续迭代
“拟人化”技术市场正在不断发展，近几个月来，市场上涌现出了种类更加丰富的拟人化技术。我们正在开发更先进的检测技术，希望不久后能向公众分享。
未来
Pangram 致力于始终站在人工智能检测技术的前沿。随着大型语言模型（LLM）能力的不断提升，我们也在不断进化。
我们正在招聘！欢迎访问我们的招聘页面，加入我们，共同打造全球顶尖的AI检测工具。
