今天是2024年12月08日，星期日，北京，天气晴。
今天，我们来看两个有趣的的话题，一个是最近o1-pro发布后，大家用来测试的一些有趣的例子，本质是逻辑陷进；另一个是关于文本检测，是否为大模型生成，来看看一些训练数据和工具索引。
供各位参考，多思考，多总结，多实践；
一、一个有趣的常识/逻辑推理测试
最近o1-pro发布，一些有趣的测试例子也出来了，例如“磁悬浮老鹰”的问题。
题目是：
“ 未来的某天，李同学在实验室制作超导磁悬浮材料时，意外发现实验室的老鼠在空中飞，分析发现，是因为老鼠不小心吃了磁悬浮材料;第二天，李同学又发现实验室的蛇也在空中飞，分析发现，是因为蛇吃了老鼠;第三天，李同学又发现实验室老鹰也在空中飞，你认为其原因是 ”
Qwen网页端给出的答案是：
ChatGPT-o1-pro给出的答案是：
可以看到，虽然思考了半天，在步骤中也提到了这是逻辑陷进，但是最终还是输出了错误答案。
所以，这个时候，是否存在一种假设，就是在逻辑推理诱导前，模型对于常识是一定忽视？其实，问了几个朋友，第一意识也是老鹰吃了蛇。但从另一个角度上讲，使用这种脑经急转弯的题目来测试大模型，其实也不是太合适。
二、关于AI文本检测的数据集及9个工具
AI文本检测是当前文本处理界的一个很重要的任务，我们可以至少了解三个事情。
一个是当前大模型时代下，AI生成带来的一些现实问题，可以参考《Detecting AI-Generated Text: Factors Influencing Detectability with Current Methods》(https://arxiv.org/pdf/2406.15583)
一个是在不同场景下鉴别AI生成的一些方案：
一个是当前用来训练AI文本检测模型的一些数据集：
一个是目前AI文本检测方面的一些产品工具，来自于《Exploring AI Text Generation, Retrieval-Augmented Generation, and Detection Technologies: a Comprehensive Overview》(https://arxiv.org/pdf/2412.03933)
1、GPTZero：由Edward Tian在2023年开发的GPTZero，通过分析文本的困惑度和突发性来检测AI生成的文本。
地址：https://gptzero.me
2、Turnitin：Turnitin是一个广泛使用的抄袭检测工具，2023年整合了AI检测功能，通过分析语言模式来验证文本的真实性。尽管有时会误报，但在学术界中广泛使用。
地址：https://www.turnitin.com/solutions/topics/ai-writing/ai-detector/
3、ZeroGPT：ZeroGPT是一个免费的在线工具，通过识别重复短语等模式来检测AI生成的文本，但对细微文本的准确性较低。
地址：https://www.zerogpt.plus/cn/content-detector-ai
4、GLTR：Giant Language Model Test Room（GLTR）使用统计可能性来可视化词汇的可预测性，有助于分析AI生成文本的模式，主要用于研究和教育领域。
地址：http://gltr.io，https://arxiv.org/abs/1906.04043
5、Copyleaks：Copyleaks是一个基于深度学习的AI内容检测工具，支持多种语言，但需要订阅。它在教育和商业内容验证中有广泛应用。
地址：https://copyleaks.com/ai-content-detector
6、Crossplag：Crossplag通过机器学习检测AI辅助的抄袭，特别适用于学术诚信领域，但在大语种的支持上存在限制。
地址：https://crossplag.com/ai-content-detector/
7、Hive AI：Hive AI专注于检测和识别AI生成的文本和多媒体内容，特别适用于新闻和媒体真实性分析。
地址：https://thehive.ai
8、Scribbr AI Checker：Scribbr的AI抄袭检测工具主要针对学术写作，提供详细的报告并支持多种语言，但在支持的语言范围上有局限。
地址：https://www.scribbr.com/ai-detector/
9、AI Writing Check，一个快速检测AI内容的工具，适用于博客、文章和新闻，但对复杂或创意性AI写作的检测效果较差。
地址： https://www.aiwritingcheck.com
总结
本文主要介绍了8个AI文本检测的数据集、常用方案及工具其索引地址，当然还不全。此外，一个有趣的常识/逻辑推理测试也很有趣，但其中所蕴含的意义也很值得关注。
参考文献
1、https://arxiv.org/pdf/2412.03933
2、https://arxiv.org/pdf/2406.15583
关于我们
老刘，NLP开源爱好者与践行者，主页：https://liuhuanyong.github.io。
对大模型&知识图谱&RAG&文档理解感兴趣，并对每日早报、老刘说NLP历史线上分享、心得交流等感兴趣的，欢迎加入社区，社区持续纳新。
加入会员方式：关注公众号，在后台菜单栏中点击会员社区->会员入群加入
