メニュー
专门用于降低中文学术论文(毕业论文、期刊论文、综述)的 AIGC 检测率。 针对知网、维普、PaperPass 等基于 BERT 语义分类模型的检测器,从语义结构层 深度改写文本,而非简单的词汇替换。当用户提到"降 AI 率""降 AIGC""中文论文 AI 痕迹""知网 AIGC 检测""维普 AI 检测""BERT 检测器""论文被判定 AI" "降 AI 检测率"时使用本技能。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
| name | cn-humanizer-academic |
| description | 专门用于降低中文学术论文(毕业论文、期刊论文、综述)的 AIGC 检测率。 针对知网、维普、PaperPass 等基于 BERT 语义分类模型的检测器,从语义结构层 深度改写文本,而非简单的词汇替换。当用户提到"降 AI 率""降 AIGC""中文论文 AI 痕迹""知网 AIGC 检测""维普 AI 检测""BERT 检测器""论文被判定 AI" "降 AI 检测率"时使用本技能。 |
| allowed-tools | ["Read","Write","Edit"] |
| metadata | {"trigger":"中文学术论文需要降低 AIGC 检测率"} |
这些是从真实使用反馈中提炼出来的"红线",任何改写都不能违反:
改写后字数 ≤ 原文字数 × 1.2。膨胀超过 20% 视为过度改写。
不要在改写正文里使用任何 markdown 加粗(两个星号包裹)。
严格只用原文已有的 [N] 编号。
[X] 文献引用(X et al. 年份))必须改回原文已有的数字编号研究者口吻 ≠ 日常口语。这些绝对不要用:
| 红线词(过于口语) | 替换 |
|---|---|
| 一直在涨 | 持续扩大 / 持续增长 |
| 跟着上来了 | 同步上升 |
| 越铺越多 | 快速铺开 |
| 麻烦的地方在于 | 值得注意的是 |
| 几乎看不出来 | 通常具有隐蔽性 |
| 一点点往下走 | 逐步下降 |
| 如果不管 | 一旦不加干预 |
| 不太够用 | 不足比较明显 |
| 基本无能为力 | 基本难以识别 |
学术允许的研究者口吻(可用):
不要给每段都加引号修辞 / 破折号 / 研究者口吻——这会形成新的"另一种 AI 风格",反而被 BERT 抓到。
| 工具 | 每段使用上限 |
|---|---|
| 引号修辞(包裹概念) | 0-2 处 |
| 破折号(——补充展开) | 0-2 处 |
| 反问句 | 全文偶尔 1-2 处 |
| 类比 / 比喻 | 全文偶尔 1-2 处 |
核心原则:研究者写论文,大部分时候是平淡陈述,只在关键处用修辞。AI 反而会"每段都精致"——这是 AI 的另一种指纹。
如果需要加入"具体细节",这些细节必须满足:
原文 1 段最多拆到 3-4 段。拆超过 5 段是过度,会:
当前主流中文 AIGC 检测器(知网 4.0+、维普、PaperPass)已经从第一代统计学方法(困惑度、突发性、词频)升级到第二代 BERT 语义分类模型。
第一代检测器抓的是:
→ 用 Humanizer-zh 的词汇替换就能解决。
第二代 BERT 检测器抓的是:
→ 这些只能通过语义层重写,改词汇没用。
所以这个 skill 的核心,不是替换词,而是重构段落的论述方式——但必须在上面 7 条硬性约束内进行。
不同类型段落需要不同策略:
| 段落类型 | 典型特征 | 是否高危 |
|---|---|---|
| 分类陈列段 | 用"一类...另一类...还有一类"或"首先...其次..."分点列举 | 🔴 极高危 |
| 原理介绍段 | "X 是一种 Y 方法,基本思路是...,因此能..." | 🔴 极高危 |
| 总结段(章末小结) | "本章围绕...,首先...,随后...,综合来看..." | 🔴 极高危 |
| 文献综述段 | 多个 [N] 引用并列陈列,每个工作介绍长度相近 | 🟠 高危 |
| 现象描述段 | 列举多个客观现象,无主观判断 | 🟠 高危 |
| 数据/技术细节段 | 包含具体数字、设备型号、参数 | 🟢 较安全 |
做法:
约束提醒:拆分不超过 4 段,总字数不超过原文 × 1.2。
做法:
约束提醒:破折号每段 0-2 处,不要泛滥。
做法:遇到抽象动词("影响""作用""导致""体现""反映"),问自己"具体怎么影响/作用?"然后用具体描述替代。
约束提醒:具体细节必须是领域常识,不能凭空捏造。
做法:
约束提醒:研究者口吻不等于口语化,严格遵守约束 4。
必删 / 必换的 AI 高频词:
| 类别 | AI 词 | 替换 |
|---|---|---|
| 连接 | 此外、然而、因此、与此同时、综合来看 | 删除或换"不过/所以/整体上" |
| 排比 | 一方面...另一方面... | 既...也...;一是...二是... |
| 排比 | 首先...其次...再次...最后... | 一是...二是...三是...或具体短标题 |
| 套话 | 对于...而言、值得注意的是 | 删"于/而言";适度保留"值得一提的是" |
| 动词 | 进行了 + N | 做了/完成了/给出了(混用) |
| 动词 | 通过 + N | 借助/利用/依靠(混用) |
| 文言 | 使、将、若、其、该 | 让、把、如果、它、这个/这种(适度) |
| 副词 | 显著、均、上述、能够 | 明显、都、这些/以上、能 |
| 总结 | 这说明、表明、从而、以提高 | 说明、显示、(删)、用来 |
| 强调 | 至关重要、关键作用、深入探讨 | 一律删除或改具体表述 |
约束检查(硬性):
□ 改写后字数 ≤ 原文 × 1.2?(超出立即压缩)
□ 没有使用任何 markdown 加粗?
□ 没有新增参考文献?
□ 没有出现"红线词"(一直在涨/麻烦的地方等)?
□ 修辞工具使用频率符合上限?(引号 0-2/段,破折号 0-2/段)
□ 补充内容都是领域常识?
□ 段落拆分 ≤ 4 段?
段落级检查:
□ 段落内不同分点/论述的篇幅有明显不均衡吗?
□ 段落避免了"总分总"完美结构吗?
□ 句子之间没有过度流畅的因果链吗?
□ 至少有一处"研究者口吻"或"具体观察"吗?
词汇级检查:
□ 是否还有"首先...其次...再次"/"一方面...另一方面"?
□ 是否还有"此外""综合来看""值得注意的是""相比之下"?
□ "进行了"是否还在大量出现?
□ "通过"是否还是主要连接词?
节奏检查:
□ 句子长度有明显变化?(连续 5 句都是 30+ 字 = AI)
□ 是否有 1-2 处"超短句"(10 字以内)?
□ 段首词是否错开?(连续段落用相同起手词 = AI)
对每一段重写,按以下格式输出:
诊断:[识别段落类型 + 主要 AI 痕迹]
重写后:
[改写后的文字]
字数对比:
原文 X 字 → 改写后 Y 字(变化 +Z%)
关键改动:
- 改动 1:[原文片段] → [改写片段] | 应用策略 [A/B/C/D/E]
- 改动 2:[原文片段] → [改写片段] | 应用策略 [A/B/C/D/E]
- ...
自检结果:
□ 字数 ≤ 原文 × 1.2 ✓ / ✗
□ 无加粗 ✓ / ✗
□ 无新增引用 ✓ / ✗
□ 无红线口语词 ✓ / ✗
□ 修辞工具适度 ✓ / ✗
□ 段落数 ≤ 4 ✓ / ✗
□ 段落不均衡 ✓ / ✗
□ 破坏 AI 流畅链 ✓ / ✗
□ 包含具体细节 ✓ / ✗
□ 有研究者口吻 ✓ / ✗
□ AI 高频词清扫 ✓ / ✗
如果一段反复改还是被 BERT 识别,且不能违反硬性约束,试这些:
把段落内 3-4 个论点的顺序完全打乱,然后重新组织过渡。 AI 写作的论点顺序极其"标准"(背景→问题→方法→结果),打乱顺序后 BERT 模板匹配失效。这种方法不增加字数,符合约束 1。
原来是 "X 方法 → 优点 1, 优点 2, 缺点 1" 的正向论证。 改成 "X 方法 → 缺点 1 → 但有 优点 1 → 也有 优点 2" 的迂回论证。 字数不变,符合约束 1。
AI 几乎不会用问句。全文偶尔 1-2 处即可,不能多。
最高级的手段,不增加字数,只改变句式结构:
为了提高模型在复杂环境 EL 图像上的稳定性,本文在网络训练阶段引入互蒸馏协同学习机制。和传统教师—学生蒸馏不同,该方法不预先设定一个固定的强教师模型,而是构建两个结构相同但参数初始化不同的同伴网络,让它们在同一训练过程中相互提供监督信息。这样处理的考虑在于,让两个网络在共享类别标签约束的同时,保留各自对输入样本的不同判断,形成互补的特征表达。对低质量 EL 图像来说,这种协同训练方式能减轻单一网络对局部噪声、模糊和亮度扰动的敏感性,让模型在复杂环境下获得更稳定的判别边界。
互蒸馏的基本机制在 2.5.2 节已经讨论过,这里关注它在 SCRViT 训练流程里的具体落地。
选互蒸馏而不是传统蒸馏,主要是因为本任务找不到一个真正稳定的"强教师"——一个在清晰图像上表现好的大模型,放到低质量 EL 样本上判断未必可靠,教师不稳,学生模仿过来的就是带偏差的判别边界。互蒸馏绕开了这一前提。本文在训练阶段构造两个结构相同、初始化不同的 SCRViT 网络并行训练,每个网络一边用真实标签做分类,一边把对方的预测分布作为额外监督信号。两路从不同初始化出发,看到的决策边界会略有差异,这种差异在互相对齐的过程中被反复修正。
对低质量 EL 图像而言,这种机制相当于在标签监督之外多了一层"同伴交叉验证",对噪声、模糊、亮度漂移这类样本扰动的稳健性会更好一些。
字数变化:220 → 270(+23%,略微超出 +20% 上限,但 3 段结构合理,可接受)
关键改动:
从真实改写过程中提炼的额外经验:
一段改得很"人"但其他段没改,整篇论文就会出现风格断层——BERT 对断层敏感。 解决:全文按统一改写强度处理,不要某段大改、某段不动。
如果连续几段都用"破折号补充 + 引号修辞 + 研究者口吻",就形成了新的 AI 指纹。 解决:让不同段使用不同的反 AI 手段——这段用 A 策略为主,下段用 B 策略为主。
AI 写每段都是独立处理的,研究者会在不同章节之间建立逻辑链。 解决:在合适的位置加"前面在 X 节已经..."这类回扣句(每章 1-2 处即可)。
私货(具体实验经历、导师讨论、个人观察)是降 AI 痕迹的最强武器,但只能由用户自己加。 Skill 能做的是"基于已有内容做结构重写",不能凭空创造研究细节。