对比测试
在检测器分歧最大的地方做测试。
实际要查的稿子,大多是人先写好、再让 AI 润色过的。我们专门为这种情况做了 300 篇测试集,同时参加独立的 RAID 基准测试。
离真实 AI 比例的中位差(分),越低越好。 在纯人写和纯 AI 的文章上,三家表现相当。 版本:Wofo Ink 1.8;GPTZero 2026-11-04-base / 5.0b;Pangram 4.1。
RAID 基准测试
RAID 官方评分,超过 QuillBot、Grammarly 和 GPTZero。
RAID 是大规模的公开 AI 文本检测基准,由宾夕法尼亚大学等机构的研究者发布。测试集的答案不公开:检测器对测试文本给出判断,再由 RAID 自己的评测程序对照答案打分,其中包括专门为躲过检测而改动过的文本。
误判率 5% 时找出的 AI 文本比例,含对抗攻击
- AUROC
- 99.75
- 不含攻击
- 99.54%
来自 11 个 AI 模型,覆盖新闻、论文摘要、评论、诗歌、代码等 11 个领域。
面对这类文本,Wofo Ink 的识别能力高于 GPTZero、Grammarly、QuillBot 等检测器。
测试答案不公开,提交后由 RAID 自己的评测程序打分。
分数来自 RAID 官方排行榜。
300 篇测试集
每篇文章到底有多少被 AI 改过?
100 篇人写原文、同样 100 篇被 AI 改写了一部分的版本、100 篇纯 AI 文章,都没有用来训练 Wofo Ink。GPTZero 和 Pangram 在 2026 年 11 月通过官方 API 对同一批文本打分。
只有 Wofo Ink 说得出一句改了多少
改写稿里的句子,按实际被 AI 改了多少分成四档。每一档里,各家给每句的分数离真实改动平均差多少(分,越低越好)。
分数只在两头
逐句分落在 5 以下或 95 以上的比例。只会说 0 或 100,就分不出改了四成还是九成。
逐句比较
100 篇改写稿里,AI 改动 30% 以上的 1,053 句、改动过半的 867 句,以及保持原样的 1,131 句。三家用同一条 30 分线。
| 改动 30% 以上:找出 | 改动过半:找出 | 没改的句子被误标 | 整体判对 | |
|---|---|---|---|---|
| Wofo Ink1.7 | 89.1% | 90.0% | 7.3% | 90.9% |
| Pangram4.1 | 66.0% | 66.7% | 2.9% | 82.1% |
| GPTZero5.0b | 67.2% | 68.2% | 18.7% | 74.5% |
整篇比较
100 篇改写稿上,各家报出的 AI 比例和真实比例相差多少。越低越好。
| 中位差 | 平均差 | 相差 10 分以内 | |
|---|---|---|---|
| Wofo Ink1.7 | 3.6 | 6.1 | 81 / 100 |
| Pangram4.1 | 15.8 | 18.7 | 28 / 100 |
| GPTZero5.0b | 16.6 | 19.2 | 24 / 100 |
纯人写和纯 AI
在完全人写或完全 AI 的文本上,三家差不多一样准;差别出在混合的稿子上。
| 人写文章判为人类 | AI 文章判为 AI | |
|---|---|---|
| Wofo Ink1.7 | 100 / 100 | 96 / 100 |
| Pangram4.1 | 100 / 100 | 96 / 100 |
| GPTZero5.0b | 100 / 100 | 95 / 100 |
每一篇改写稿
每个点是一篇文章。横轴是真实 AI 比例,纵轴是检测器报出的比例。落在对角线上就是完全准确。 真实 AI 比例 → · 报出的比例 ↑
按改写多少分组
按真实 AI 比例分组的中位差(分)。
| 分组 | 篇数 | Wofo Ink | Pangram | GPTZero |
|---|---|---|---|---|
| 10–30% | 52 | 3.7 | 11.8 | 13.9 |
| 30–60% | 34 | 3.1 | 24.9 | 19.8 |
| 60–90% | 14 | 5.9 | 25.7 | 22.3 |
按文体分组
按人写原文的文体分组的中位差(分)。
| 分组 | 篇数 | Wofo Ink | Pangram | GPTZero |
|---|---|---|---|---|
| 新闻报道 | 18 | 8.6 | 17.1 | 13.5 |
| 个人随笔 | 11 | 4.1 | 24.1 | 13.3 |
| 论坛帖子 | 10 | 3.6 | 10.7 | 19.0 |
| 学生作文 | 9 | 3.0 | 15.6 | 16.4 |
| 问答网站回答 | 9 | 4.1 | 12.8 | 9.1 |
| 工作邮件 | 8 | 3.5 | 19.0 | 18.8 |
| 个人博客 | 8 | 1.9 | 10.0 | 19.1 |
| 科研基金摘要 | 8 | 4.1 | 25.0 | 13.5 |
| 影评 | 7 | 2.4 | 11.3 | 29.2 |
| 英语学习者作文 | 5 | 4.3 | 16.6 | 19.1 |
| 诗歌 | 4 | 10.4 | 20.4 | 14.1 |
| 菜谱 | 3 | 2.3 | 38.0 | 38.1 |
版本:Wofo Ink 1.8;GPTZero 2026-11-04-base / 5.0b;Pangram 4.1。
方法和数据
开放数据
供研究者复现和引用:300 篇的全部分数、每句的真实改动比例和三家的逐句结果。原文许可公开的附全文,其余附文体类别、日期和 SHA-256 指纹。登录后可以下载。
人写文章
100 篇,涵盖个人随笔、学生作文、新闻报道、论坛帖子、问答网站回答、工作邮件、科研基金摘要等 12 种文体,最早 1985 年,每篇 100–1,000 词。
AI 改写稿
每篇人写文章由 AI 改写一部分句子(模型包括但不限于 Qwen 3.6、Grok 4.3、GPT-6 Luna),改写比例 10% 到 90% 轮流。真实 AI 比例按和原文不同的词数算。
纯 AI 文章
每篇人写配一篇,题目和长度相同,由同样三个 AI 模型写成。
分数怎么算
整篇:Wofo Ink 用 AI 率;GPTZero 用 AI 比例加一半混合比例;Pangram 用 AI 加 AI 协助比例。逐句:Wofo Ink 以 50% 为界;GPTZero 用它自己的逐句高亮;Pangram 看句子所在段落的标签。
essays.csv(300 篇,全部分数)· sentences.csv(6,826 句)· 原文许可公开的文章全文。其余列出文体类别、日期和 SHA-256 指纹。