Can This Open-Source Model Beat AI Detectors? Let’s Test It Locally

KDnuggets

KDnuggets2026年10月28日

Can This Open-Source Model Beat AI Detectors? Let’s Test It Locally

8.5内容质量

TL;DR · AI 摘要

开源模型Humanizer在本地测试中表现出色，95%的重写内容被分类为人类撰写，提供了一种无需付费的AI内容改写方案。

核心要点

Humanizer基于12B参数的Gemma模型，训练数据包含28,598对AI生成与人类文本。
95%的测试样本通过Originality.ai检测，但结果尚未独立验证。
支持本地运行，无需API费用或第三方服务，适合隐私敏感场景。

结构提纲

按章节快速跳转。

§引言
介绍Humanizer模型的开源特性及本地测试的必要性。
·模型架构
基于Google Gemma 4 12B模型，专为改写AI生成内容优化。
›训练方法
使用28,598对文本进行监督微调，并采用偏好优化策略。
·测试结果
95%的重写内容通过Originality.ai检测，但需独立验证。
›部署方案
支持通过llama.cpp和CUDA在Linux本地运行。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）

Humanizer模型测试
- 模型特性
  - 12B参数/Gemma架构
  - 本地部署支持
- 训练方法
  - 28,598对文本训练
  - 偏好优化策略
- 测试结果
  - 95%通过Originality.ai检测
  - 需独立验证

金句 / Highlights

值得收藏与分享的关键句。

Humanizer模型在本地测试中，95%的重写内容被Originality.ai分类为人类撰写。
— 第3段
⬇︎ 下载 PNG 𝕏 分享到 X
模型训练使用了来自学术论文、政府报告等28,598对文本数据。
— 第4段
⬇︎ 下载 PNG 𝕏 分享到 X
开发者未使用AI检测器进行训练，而是通过偏好优化提升文本质量。
— 第5段
⬇︎ 下载 PNG 𝕏 分享到 X

#AI#开源#模型评估#自然语言处理

打开原文

这个开源模型能击败AI检测器吗？我们本地测试一下 - KDnuggets

publ: 2026年10月28日

博客热门文章

主题 AI 职业建议计算机视觉数据工程数据科学语言模型机器学习 MLOps NLP 编程 Python SQL

数据集

活动

资源快速参考指南推荐技术简报

广告

订阅电子报

#header end

/ad_wrapper

这个开源模型能击败AI检测器吗？我们本地测试一下

免费的开源AI人性化工具能否击败付费工具？我们本地测试了12B参数模型，并与AI检测器对比结果，验证其宣传效果是否属实。

By

Abid Ali Awan

, KDnuggets助理编辑 2026年10月28日在

人工智能

现在无需支付昂贵的订阅费即可重写AI生成内容。像Humanizer这样的开源模型允许您本地操作，无需月费、API成本或向第三方服务发送写作内容。该模型在开源社区获得关注，据2026年10月初Hugging Face数据显示，已下载超过143,000次，获得2,100个赞。其开发者声称，210篇重写英文草稿中有95%被Originality.ai分类为人写内容，尽管该结果尚未经过独立验证。

来自jialinyyzz/humanizer的截图

在本教程中，我们将下载120亿参数的Humanizer模型，使用支持NVIDIA CUDA的llama.cpp在Linux机器上本地运行，并用它来重写AI生成的文本。然后我们将测试结果与Originality.ai、GPTZero和Copyleaks等流行AI检测器进行对比，看看这个免费开源替代方案是否真的能兑现其承诺。

了解Humanizer模型

Humanizer是一个开源的120亿参数模型，基于Google的Gemma 4 12B构建。与通用语言模型不同，它专门经过微调，将AI生成内容重写为更自然、类似人类的写作，同时保留原始含义、事实和重要细节。

来自jialinyyzz/humanizer · Hugging Face的图片

该模型在28,598对AI生成草稿和真实人类写作文本上进行训练，这些数据来自学术论文、政府报告、电子邮件、Reddit和Hacker News等来源。它首先通过监督微调学习将AI撰写的草稿转化为类似人类的文本。开发人员随后使用3,918个偏好对进行直接偏好优化，接着进行组相对策略优化，其中大型语言模型（LLM）评委评估重写内容的事实准确性、不必要的复制和含义变化。

当您提供草稿时，Humanizer会重写措辞，调整句子结构，去除重复的AI风格短语，并在保持原始信息完整的同时改变句子长度。有趣的是，开发人员在训练过程中没有使用AI检测器。相反，他们专注于提高写作质量和事实一致性。

根据开发人员的评估，210篇英文重写中有95%被Originality.ai分类为人写内容，而量化Q8_0版本达到约93%。这些结果是开发人员报告的，模型仍可能引入事实错误或在不同检测器上的表现存在差异。

你可以下载适用于 Windows 和 macOS 的桌面应用程序，并在不编写任何代码的情况下离线运行。对于高级用户，Humanizer 支持 llama.cpp、Ollama、Transformers、MLX 和 vLLM。

在本教程中，我们将使用 llama.cpp 和 NVIDIA CUDA 支持，在 Linux 上本地运行 Q8_0 模型。

1. 使用 CUDA 安装 llama-server

首先，我们需要设置 llama.cpp，这是一个开源推理引擎，使我们能够在不依赖云 API 的情况下本地运行大型语言模型。我们将使用其 llama-server 组件通过本地 HTTP API 提供 Humanizer 服务。由于我们的 Linux 机器已经安装了 NVIDIA CUDA，我们可以使用 GPU 加速构建 llama.cpp，以加快文本生成速度。

克隆 llama.cpp 仓库并使用 CUDA 支持构建服务器：

code

git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp

cmake -B build -DGGML_CUDA=ON
cmake --build build --config Release --target llama-server -j

构建完成后验证安装：

code

./build/bin/llama-server --version

输出：

code

使用 GNU 13.3.0 为 Linux x86_64 编译

2. 下载和运行 Humanizer

接下来，我们将从 Hugging Face 下载 Humanizer 的 8 位量化版本。量化可以减少模型的内存需求，使消费者 GPU 更容易运行而无需加载全精度权重。我们将使用 Q8_0 版本，它在模型质量和内存使用之间提供了良好的平衡，然后通过 llama-server 启动它。

安装 Hugging Face CLI：

code

pip install -U huggingface_hub

下载模型权重和提示配置：

code

hf download jialinyyzz/humanizer \
  humanizer-12b-Q8_0.gguf prompt_format.json \
  --local-dir ./humanizer-model

Q8_0 模型需要大量 GPU 内存。如果您的 GPU 可用 VRAM 较少，可以改用更小的 humanizer-12b-Q6_K.gguf 版本。

启动服务器：

code

./build/bin/llama-server \
  -m ./humanizer-model/humanizer-12b-Q8_0.gguf \
  -c 8192 \
  -np 1 \
  -ngl 99 \
  -fa on \
  -b 2048 \
  -ub 512 \
  -t 8 \
  --host 127.0.0.1 \
  --port 8910

此处，-ngl 99 将所有模型层卸载到 GPU，-c 8192 设置上下文窗口，-fa on 启用 Flash Attention。服务器在 8910 端口运行，仅限本地机器访问。

在另一个终端中检查模型是否可用：

code

curl -s http://127.0.0.1:8910/models

如果服务器返回加载的模型信息，Humanizer 即可接受请求。

3. 重写 AI 生成的文本

现在 Humanizer 已在本地运行，我们可以对其进行 AI 生成内容的测试。我们将创建一篇短文，通过本地 API 发送给模型，并将重写版本保存到文本文件中。模型使用特定的提示格式来指导重写过程，因此我们将加载官方配置而不是编写自己的指令。

首先，创建一个名为 draft.txt 的文件，并添加一篇约 200 字的 AI 生成文章。在此实验中，我们使用了一篇关于本地运行 AI 模型的文章，GPTZero 标记为 100% AI 生成，如下图所示。

接下来，创建一个名为 humanize.py 的 Python 文件：

code

import json
import urllib.request

# 加载提示信息和文章
pf = json.load(open("humanizer-model/prompt_format.json"))
draft = open("draft.txt").read().strip()

# 模型设置
body = {
    "prompt": pf["instr"] + "\n\n" + draft + pf["sep"],
    "temperature": 1.0,
    "top_p": 0.95,
    "top_k": 0,
    "min_p": 0,
    "repeat_penalty": 1.0,
    "n_predict": 2048,
    "seed": -1,
}

# 生成人性化文本
req = urllib.request.Request(
    "http://127.0.0.1:8910/completion",
    json.dumps(body).encode(),
    {"Content-Type": "application/json"},
)

with urllib.request.urlopen(req, timeout=600) as response:
    result = json.load(response)["content"].strip()

# 保存输出
with open("humanized.txt", "w") as f:
    f.write(result)

print(result)

该脚本加载原始草稿，将其与模型推荐的指令结合后发送到本地 llama-server。我们使用温度值 1.0 和 top_p 值 0.95，遵循开发者的推荐生成设置。重写后的文本将被自动保存。

运行脚本：

code

python3 humanize.py

重写后的文章将显示在终端中，并同时保存为 humanized.txt 文件。

随后我们使用 GPTZero 对重写后的文章进行测试，结果相当有希望。AI 检测评分从 100% 下降到 49%，而人类撰写评分上升至 51%。GPTZero 对文本存在不确定性，但表明文本很可能被判定为人类撰写。这表明经过 Humanizer 处理后文章有明显改善，不过不同内容和检测工具可能导致结果差异。

最终思考

在对多篇 AI 生成文章进行 Humanizer 测试后，我发现结果时好时坏。有时重写后的内容被判定为人类撰写，有时检测工具仍标记为 AI 生成。根据我的测试，感觉获得理想结果的概率大约是五五开。

我不确定为何结果如此不一致。我遵循了官方仓库的说明，使用推荐设置并在本地运行模型。即便如此，我也无法稳定复现开发者报告的结果。

但这里存在另一个问题：AI 检测工具并不总是可靠。它们可能产生误报，有时甚至会将完全由人类撰写的内容标记为 AI 生成。这使得仅根据检测评分来判断 humanizer 的效果变得困难。

总体而言，我理解为何 Humanizer 能够引起如此多关注。你可以下载它，在本地运行，无需支付昂贵的订阅费或 API 调用费用即可重写内容。即使结果不总是稳定，它仍然是一个有趣的开源替代方案。我建议亲自尝试，检查重写后的内容准确性，不要过度依赖 AI 检测评分。

Abid Ali Awan（@1abidaliawan）是一名认证的数据科学家，热爱构建机器学习模型。目前，他专注于内容创作和撰写关于机器学习和数据科学技术的博客。Abid 拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络为有心理健康问题的学生构建 AI 产品。

Can This Open-Source Model Beat AI Detectors? Let’s Test It Locally

TL;DR · AI 摘要

核心要点

结构提纲

思维导图

金句 / Highlights

这个开源模型能击败AI检测器吗？我们本地测试一下 - KDnuggets

这个开源模型能击败AI检测器吗？我们本地测试一下

了解Humanizer模型

1. 使用 CUDA 安装 llama-server

2. 下载和运行 Humanizer

3. 重写 AI 生成的文本

最终思考

更多相关内容

最新文章

热门文章