具体来说，研究团队选了Pangram（3.3.2版）、GPTZero（2026-05-11-base版）和Originality.ai（Turbo3.0.2版）这三款市面上用得比较多的AI检测器来做测试。他们搞了一个基准测试集，里面全是货真价实的人类原创文本，一共495篇，涵盖了博客、小说和科研写作。关键是，这些样本都是在ChatGPT 2022年11月发布之前写好的，这样就能彻底排除训练数据被污染的风险。

实验数据挺能说明问题。在识别普通AI生成文本时，三款工具的漏检率最高才0.7%，几乎可以忽略不计。而在判断人类文本时，Pangram和GPTZero更是零失误，完全没误判。不过，Originality.ai这边稍微有点状况，把19篇真正的人类作品错当成了AI生成，误报率整体是3.8%。

更有意思的是，研究团队还让Claude Opus 4.8、GPT-5.5和Gemini 3.1 Pro这三款大模型，先学习作者提供的5篇真实作品，摸清写作风格，然后模仿着生成一批新文本。总共搞了297篇这种风格模仿的样本，结果平均下来，大约13%的文本没有被任何一款检测器成功识别。细分来看，Pangram漏掉了10%，GPTZero漏掉了11%，而Originality.ai的漏检率直接飙到了18%。

到了科学写作这个场景，检测器的表现就更疲软了。面对学术风格的AI生成文本，Pangram的漏检率是25%，GPTZero是24%，Originality.ai更是达到了29%。某些模型组合的误差更是离谱：比如Pangram对Gemini生成的学术文本，漏检率高达48%，而Originality.ai对GPT-5.5生成的学术内容，也漏掉了39%。

这三款检测工具虽然技术路线不同——有的靠神经网络建模，有的分析文本可预测性，还有的依赖统计模式识别——但暴露出的能力瓶颈却惊人地相似。这项研究传递了一个很清晰的信号：随着大语言模型在模仿写作风格上越来越逼真，现有的AI文本检测手段，在学术评估、论文出版这类对文本真实性要求极高的领域，仍然面临不小的技术挑战。这才是关键点。