Как Антиплагиат.ВУЗ находит ИИ-текст: что известно точно, а что — догадки

Точно известно немногое. С 16 июля 2025 года в результатах проверки Антиплагиат.ВУЗ есть числовой показатель «ИИ-контент» — по определению из памятки компании, «доля сгенерированного текста в общем объеме текста»; подозрительный документ помечается в личном кабинете, а отдельный отчёт называет конкретные страницы с предполагаемой генерацией. Как именно «детектор сгенерированных текстов» принимает решение, компания не раскрывает. Зато у её исследовательской команды есть рецензируемые статьи, по которым архитектуру можно восстановить — с оговоркой, что боевая версия может отличаться.

Что подтверждено документами компании

Памятка сентября 2025 года фиксирует рамки детектора: языки — русский, английский, испанский и казахский; форматы — только PDF и DOCX, загруженные без OCR; документ — от двух листов. Для .txt значок подозрительности ставится, но отчёт «Подозрительный документ» не формируется.

В личном кабинете подозрительная работа выделяется значком и розовой подсветкой строки. По ссылке «Подробнее» открывается отчёт со страницами, где предположительно использован сгенерированный текст. Деталь, о которой студенты обычно не знают: отметку можно снять. Эксперт нажимает кнопку в правой части отчёта и оставляет поясняющий комментарий, который сохраняется в печатных формах. Решение о допуске принимает вуз по своему локальному регламенту — не система.

Официальный список «Признаки ИИ-текста» из той же памятки — чеклист для живого преподавателя, а не перечень признаков алгоритма. Эти вещи постоянно смешивают. Про сам алгоритм Ю. В. Чехович сказал в интервью Skillbox 28 февраля 2024 года одно: модель анализирует «большой набор признаков» — и раскрывать перечень отказался.

Две цитаты из памяток пригодятся в споре с кафедрой. Сентябрь 2025 года: ИИ-детекторы «следует рассматривать не как доказательство нечестной работы, а, скорее, как маркер». Сентябрь 2024-го: «Процентный подход изжил себя, требуется экспертный анализ содержания каждой работы».

Что реконструируется по статьям разработчиков

Дальше — не документация, а картина, восстановленная по публикациям команды (бренд Advacheck).

Это классификатор, а не поиск совпадений. Грицай, Грабовой, Кильдяков и Чехович (Доклады РАН, 2023, т. 514, № 2; DOI 10.1134/S1064562423701211) описывают трансформер XLM-RoBERTa, к которому конкатенируются 26 ручных числовых признаков. Публично подтверждены пять: части речи, пунктуация, индекс удобочитаемости Флеша, средняя длина предложения, количество стоп-слов. Заявленный F1 — 0.968 для русского языка.

Центральный статистический признак — перплексия, то есть предсказуемость текста для языковой модели. В Doklady Mathematics (2024, т. 110) та же команда показала, что перплексию не считают тяжёлой нейросетью, а аппроксимируют предсобранными статистическими моделями в паре с лог-вероятностью — выигрыш в скорости «в тысячи раз».

Отчёт по страницам тоже объясняется публикацией. Span-детектор из arXiv:2411.07343 (SDP 2024) классифицирует каждый токен двумя головами поверх SciBERT в окне 350 токенов-слов, порог инференса — 0.55, F1 — 0.95–0.96. Помечается фрагмент, а не работа целиком.

И доменная калибровка. В arXiv:2411.11736 (первое место на соревновании COLING 2025, macro-F1 83.07%) энкодер DeBERTa-v3-base дополнен головами, предсказывающими домен: arXiv, Wikipedia, Reddit, медицина, финансы. Следствие для студента неприятное: научный текст судят по своей, более строгой шкале, чем эссе или блог.

Насколько этому можно верить

Самая жёсткая критика — от самих разработчиков. В статье «Are AI Detectors Good Enough?» (arXiv:2410.14677) Грицай, Вознюк, Грабовой и Чехович пишут, что бенчмарк-метрики до 99.9% часто отражают низкое качество оценочных датасетов, а качество «резко падает в реальных применениях». Хуже всего детекторы работают на отредактированных текстах и на генераторах, которых не было в обучении.

Чувствительность при этом растёт. 8 апреля 2026 года алгоритмы адаптировали под актуальные версии GPT, а 9 июля компания сообщила через CNews о снижении ложноположительных срабатываний по документам с 1,55% до 0,15% — тест на 1500 документах. Проверить это со стороны нельзя: независимых рецензируемых проверок детектора не существует, все цифры — самоотчёт. Масштаб виден из данных РИА: за II квартал 2026 года признаки ИИ найдены в 983,7 тыс. из 2,73 млн работ — в каждой третьей против каждой пятой годом ранее.

Цена ошибки выросла быстрее точности. «Коммерсантъ» описывал 28 апреля 2026 года студентку с 96% «использования нейросетей» в самостоятельной работе и вузы, где 1% ведёт к недопуску, — притом что порог всегда задаёт локальный акт вуза. Ложные срабатывания на честных текстах — отдельная тема, мы разбираем её в разборе ИИ-детекции. Короткая версия: Савельев (VERBA, 2024) показал, что удаление внутритекстовых ссылок поднимает оценку «человечности» текста с 16% до 42% — ссылочный аппарат научного жанра сам работает против автора.

Про трюки скажем прямо. Синонимический парафраз детектируемость не снижает, а на детекторах RADAR и Fast-DetectGPT даже повышает (+8,57% и +15,03%); невидимые символы и гомоглифы ловятся отдельными проверками и выглядят как умысел. Риск снижает другое — текст по нормам научного письма: конкретные цифры вместо «ряда исследований» и честные ограничения выводов. Наш хьюманайзер работает именно на этом принципе — перерабатывает текст под эти нормы.

Куда всё движется, Чехович сказал на science.mail.ru 5 мая 2026 года: перспектива — «объяснимая детекция» и фиксация процесса создания текста. Пилот «Антиплагиат 2.0» (28 университетов, 10 тыс. проверок, февраль–июль 2026-го) уже отслеживает, как текст появлялся, а не только каким получился. Веб-версию обещают осенью 2026 года.

Вопрос — ответ

Можно ли снять отметку «Подозрительный документ»?

Да, это штатная функция. Эксперт вуза нажимает кнопку в правой части отчёта и оставляет поясняющий комментарий — тот сохраняется в печатных формах. Решение о допуске принимает организация по своему регламенту, а не система. Лучший аргумент при снятии — доказательства процесса: черновики с историей версий, собственные данные и расчёты, переписка с научным руководителем.

Почему детектор помечает работы, написанные без нейросетей?

Потому что он оценивает статистику стиля, а не факт генерации. Научный регистр предсказуем: формальный, безличный, терминологически однородный — то есть статистически похож на машинный. По эксперименту Савельева (VERBA, 2024), сам ссылочный аппарат снижает «человечность»: без внутритекстовых ссылок оценка выросла с 16% до 42%. Доцент ГАУГН Д. Фомин-Нилов сформулировал итог: «Хорошо написанная работа часто воспринимается как созданная искусственным интеллектом».

Какой процент «ИИ-контента» считается допустимым?

Единого порога нет. Показатель «ИИ-контент» — доля предположительно сгенерированного текста, а что с ней делать, каждый вуз решает своим локальным актом: по данным «Коммерсанта» от 28 апреля 2026 года, где-то не допускают к защите даже при 1%. Сама компания в памятке 2025 года называет детектор маркером, а не доказательством, и требует экспертного анализа каждой работы.

Как это решает кот

За «котом» стоит программный комплекс, в котором генерация текста — лишь одна из тысяч операций: поиск и проверка источников, расчёты, выстраивание логики глав, терминологический контроль, ГОСТ-оформление. Встроенный хьюманайзер — обязательный этап каждого продукта; тем, у кого текст уже написан, он доступен отдельной услугой. Результат измерим: в наших замерах — стабильные 0% ИИ-контента в Антиплагиат.ВУЗ, свежий пример с 0% ИИ и 87% оригинальности лежит в примерах готовых работ. Начните с бесплатного плана работы — минута, и каркас у вас.