面向机器学习与数据团队的 AI 检测
面向机器学习工程师和数据科学家的 AI 检测工具
优化大型语言模型（LLM）的训练和数据筛选。通过以99.98%的准确率和高性能API，从预训练或微调数据集中过滤合成文本，从而防止模型崩溃。
由谷歌、特斯拉和斯坦福大学的研究人员开发。经ICLR和马里兰大学验证。
filter_pipeline.py
from pangram import Pangram
# Filter synthetic data from corpus
client = Pangram(api_key="your-api-key")
clean_corpus = []
for doc in training_corpus:
result = client.predict(doc.text)
if result['fraction_ai'] < 0.3:
clean_corpus.append(doc)
print(f"Corpus: {len(clean_corpus)} clean docs")家全球品牌信赖之选
防止模型坍缩
对人工智能生成的内容进行递归训练会降低模型性能并削弱多样性。请在您的数据抓取管道中识别并过滤人工智能生成的内容，以确保语料库的纯净度。
验证 RLHF 输入
确保您的人工反馈（RLHF）数据确实来自真人。检测众包工作者是否在使用ChatGPT来生成您微调任务的回答。
细粒度可解释性
不要满足于简单的二元标签。我们的高级 API 会返回标记级别的概率值，让您既能保留人工编辑的片段，又能剔除完全由机器生成的“垃圾内容”。
我们的模型是在一个包含数百万份人类与AI文档配对的、多样化的专有数据集上训练而成的。我们利用主动学习技术来针对边缘案例，并专门减少对非母语写作者的偏见。
该 API 返回一个预测分数（0.0 到 1.0）和一个分类标签。高级接口提供窗口级分析，用于可视化文档中的“突发性”和语法模式。
不。对于企业客户，我们提供零保留保证：数据在内存中处理，并在评分完成后立即删除，以确保隐私安全。
是的。我们会在前沿模型（如 Gemini Ultra 和 GPT-4）发布后的几天内，立即利用其输出结果对我们的分类器进行持续训练。
我们的模型专门针对对抗性攻击以及试图混淆合成文本的“人性化”算法进行了训练。通过在训练过程中采用硬负样本挖掘技术，我们最大限度地减少了在风格上符合规范的人类写作中出现的误报。
是的。您可以安装pangram-sdk，仅需几行代码即可将检测功能集成到 Airflow 或 Databricks 管道中。我们的 API 专为高吞吐量的企业级抓取操作进行了优化，能够以低延迟处理数百万次请求。
与二元检测器不同，Pangram 提供词元级别的概率。这种精细的可解释性使您能够识别并保留人工编辑的片段，同时从训练数据集中过滤掉完全合成的“垃圾”内容。
使用 Pangram 有助于防止模型崩溃。通过从爬取管道中过滤掉递归生成的 AI 内容，您可以保持语料库的纯净度，并确保模型不会因使用劣质数据进行训练而导致性能或多样性下降。
