arXiv 2026年10月5日该工作用 M4 数据集（N = 10,000）与受控生成（N = 300）对基于 RoBERTa 的 AI 文本检测器施加语义、结构和分词器层面的扰动，发现让 Mistral-7B-Instruct 把机器文本改得更像人时动词多样性从 0.77 升到 0.92、输出反而更易被检测，检测分数似乎追踪统计复杂度，并在正式人类写作上产生 76.3% 的假阳性率；作为对照，基于事件的潜在空间检测在复述后 87% 的事件序列发生改变（Jaccard = 0.067），同形字替换改变了 70% 的抽取动词（Jaccard = 0.30），其最佳领域 AUC 为 0.577。该工作用 M4 数据集（N = 10,000）与受控生成（N = 300）对基于 RoBERTa 的 AI 文本检测器施加语义、结构和分词器层面的扰动，发现让 Mistral-7B-Instruct 把机器文本改得更像人时动词多样性从 0.77 升到 0.92、输出反而更易被检测，检测分数似乎追踪统计复杂度，并在正式人类写作上产生 76.3% 的假阳性率；作为对照，基于事件的潜在空间检测在复述后 87% 的事件序列发生改变（Jaccard = 0.067），同形字替换改变了 70% 的抽取动词（Jaccard = 0.30），其最佳领域 AUC 为 0.577。让机器文本“更像人”反而更易被检测：RoBERTa 检测器在扰动下追踪统计复杂度，并在正式人类写作上出现 76.3% 假阳性该工作用 M4 数据集（N = 10,000）与受控生成（N = 300）对基于 RoBERTa 的 AI 文本检测器施加语义、结构和分词器层面的扰动，发现让 Mistral-7B-Instruct 把机器文本改得更像人时动词多样性从 0.77 升到 0.92、输出反而更易被检测，检测分数似乎追踪统计复杂度，并在正式人类写作上产生 76.3% 的假阳性率；作为对照，基于事件的潜在空间检测在复述后 87% 的事件序列发生改变（Jaccard = 0.067），同形字替换改变了 70% 的抽取动词（Jaccard = 0.30），其最佳领域 AUC 为 0.577。该工作用 M4 数据集（N = 10,000）与受控生成（N = 300）对基于 RoBERTa 的 AI 文本检测器施加语义、结构和分词器层面的扰动，发现让 Mistral-7B-Instruct 把机器文本改得更像人时动词多样性从 0.77 升到 0.92、输出反而更易被检测，检测分数似乎追踪统计复杂度，并在正式人类写作上产生 76.3% 的假阳性率；作为对照，基于事件的潜在空间检测在复述后 87% 的事件序列发生改变（Jaccard = 0.067），同形字替换改变了 70% 的抽取动词（Jaccard = 0.30），其最佳领域 AUC 为 0.577。