为什么人工智能批改工具对同一篇作文给出的评分会不同

引言

两个浏览器标签页，一篇文章，却给出了截然不同的两个结果。第一个查重工具显示8%，第二个显示61%。在复制粘贴的过程中，文本内容没有任何变化，你连一个字都没改，但现在却不知该相信哪个屏幕上的结果。

两者都没有说谎。它们只是以不同的方式回答了这个问题，而理解其中的原因，就能让你在当下不再惊慌失措。本文将解释这种差异从何而来，如何合理地比较结果，以及结果不一致究竟在向你传达什么信息。

不同的训练，不同的直觉

每个检测工具都是根据其独特的“配方”构建的。有些依赖“困惑度”（perplexity），这是衡量你的措辞对语言模型而言有多可预测的指标；有些则侧重“突发性”（burstiness），即句子长度和结构的多样性；许多工具将这些指标与基于人类和机器文本标注示例训练的分类器相结合，而这些示例所包含的内容，将决定该工具后续所关注的一切。

Phrasly的检测器页面称，其训练数据源自超过100万篇真实的人类文章——这一供应商声明值得关注，因为它恰恰说明了关键点：主要基于新闻文章训练的工具，对学术论文的评判标准会与基于学生写作训练的工具不同。两款校对工具即使分析同一句话，也可能得出不同的结论，因为它们学习自不同的写作语料库。

百分比的含义取决于具体工具

就连那个醒目的数字也没有统一标准。一种检测工具报告的是整篇文本由机器撰写的概率；另一种报告的是其认为由机器撰写的句子所占的比例；还有一种则对句子评分进行平均。它们都显示一个百分比，但衡量的却不是同一件事。阈值也各不相同。一种工具可能将50%以上的文本判定为机器撰写，而另一种则要等到80%以上才如此判定，因此相同的原始输出结果可能会被贴上截然相反的标签。

正因如此，来自两个不同来源的单纯数值无法直接比较。请留意每款工具如何解释其评分，并优先选择那些会突出显示相关句子和概率的工具。当你能看到数据背后的具体句子时，就能比较工具实际标记的内容，而非它们所贴上的标签。

模型更新导致识别缺口

AI写作工具不断更新，而检测工具却难以跟上。Centric DXB在2026年的一篇科普文章中将这一问题描述为“分布偏移”：基于旧模型训练的分类器在新模型出现后会失去准确性，直到重新训练为止。 上个月更新的检测工具与去年更新的检测工具，处理同一篇作文的方式可能截然不同。这并不意味着旧版检测工具毫无用处。这意味着你应该像查看应用程序的发布日期一样查看工具的最新更新说明，并将缺乏更新视为需要格外谨慎的理由。

覆盖范围也是一个因素。Phrasly 的页面列出了其针对的模型，包括 ChatGPT、Claude、Gemini、Perplexity、DeepSeek 和 Grok，并支持英语、西班牙语、法语和德语。覆盖范围较窄的工具可能会遗漏其他工具能识别的模式，或者将它根本无法理解的人类写作标记为异常。

同一篇文章，不同的解读

文本中还存在人性化的一面。 斯坦福大学研究人员主导的一项2023年研究，对7款广泛使用的检测工具进行了测试，测试对象为91篇非英语母语者撰写的托福作文，结果显示平均有61.3%的作文被错误地标记为AI生成（Liang等人，《Patterns》，2023）。简洁、谨慎、可预测的措辞，正是基于困惑度的工具所视为“机器化”的特征。

如果你的作文是用第二语言写的，采用结构严谨的学术风格，或者围绕标准模板展开，那么可以预期得分会更高，且不同检测工具之间的判定结果差异也会更大。这种差异并非随机产生，而是反映了每种检测工具对诚实写作者中常见写作风格的敏感程度。主题内容也会产生影响。技术类写作因其固定的术语和重复的结构，给检测工具提供的变体比个人反思类文章要少。

比较结果的明智方法

当两种工具的检测结果不一致时，请抵制那种不断粘贴文本直到得到满意分数的冲动。相反，应制定一个计划。不要忽视文章长度。每次都要粘贴完整的文章，因为仅接收你引言部分的检测工具，与接收十页全文的检测工具所解决的问题是不同的。

• 检查同一篇完整文本，两次扫描之间不做任何修改。

• 注意每款工具如何定义其评分标准。

• 比较被标记的句子，而非仅关注总分。

• 标记被两款工具同时标记的句子，因为这种重叠是最有用的线索。

• 将这些句子改写成具体且原创的内容，然后重新运行检测。

选择一款AI检测工具作为基准并始终如一地使用，这样分数的变化才能反映你写作本身的变化，而非工具本身的变化。保持一致性能为你提供可供学习的趋势，而频繁更换工具只会带来干扰。如果你经常这样做，请记录简要日志：日期、工具、分数以及哪些句子被标记。写了几篇作文后，你就会了解每款工具对你的写作风格有何倾向，这比任何单次阅读都更有价值。

当分歧本身就是信息时

这里有一个许多人容易忽略的要点。如果两款信誉良好的工具对你的文本存在严重分歧，这恰恰是文本存在歧义的证据。 该文本处于软件无法裁定的灰色地带，这两个数值都不应被视为确凿证据。2023年，OpenAI在报告其AI文本分类器的真阳性率为26%、假阳性率为9%后（OpenAI，2023），便撤下了该工具——这提醒我们，即便是资源雄厚的团队，也很难划出明确的界限。

因此，面对分歧结果的正确应对方式是依靠你的写作过程。保留草稿、大纲和笔记，并准备用自己的话解释你的论点。如果导师或编辑询问评分情况，这些记录比任何单次扫描的结果都更有说服力。如果你必须向他人报告一个数值，请报告评分范围并注明所用工具。

一致性很少见，了解这一点很有帮助

不同的工具，经过不同的训练，针对不同的模型构建，且衡量标准略有差异，因此很少会产生完全一致的分数。了解这一点，就能让你不再执着于追寻一个“唯一正确的数字”，转而做更有意义的事情：阅读标记部分，强化任何泛泛而谈的句子，并记录下你的写作过程。两个检测工具之间的分差并非危机，而是促使你更仔细审视的契机。

如果您想进一步了解检测分数的生成机制及其局限性，Phrasly 博客上的相关文章对此进行了更深入的探讨。