真人写的论文也会被判成 AI
60 篇发表时间早于大模型的真实知网论文摘要，平均 60 分，其中 35% 落在「几乎确定是 AI」那一档。中文学术写作本来就爱用「综上所述」「与此同时」，检测器分不出这是文体惯例还是机器。
humanize-chinese · 开源 · 纯 Python
那个 AIGC 率，先别急着压.
我们用 2026 年五个当前模型实测了六个文体：这个分数在科普短文上还好用， 在学术摘要上已经很弱，在长篇博客上方向是反的 —— 真人写的分数反而更高。
所以这个工具的目标是「改完读起来像人写的」，
不是「把分数压低」。
- 实测文体
- 6
- 参与模型
- 5
- 真人论文被误判
- 35%
- 离线档要 API key
- 不要
先说清楚
「AIGC 率」在你的文体上，可能根本没有意义
2026 年 8 月，用 Claude Opus 5、GPT-5.6、DeepSeek V4、GLM-5.3、Kimi K3 五个模型各写 50–100 篇，对照 50 篇真人公开文本，两侧长度对齐后重算区分能力。
| 文体 | 区分能力 | 结论 |
|---|---|---|
| 科普 / 新闻类短文 | 0.837 | 还好用 |
| 社交笔记 | 0.771 | 能用 |
| 学术摘要 | 0.621 | 已经很弱 |
| 小说 | 0.479 | 约等于抛硬币 |
| 长篇博客 | 0.155 | 方向是反的 |
这个数的读法：随机拿一篇模型写的和一篇真人写的，模型那篇分数更高的概率。 竖线是 0.5，抛硬币。低于 0.5 表示方向反了 —— 你拿它去挑「哪篇像 AI 写的」，它会更多地挑中真人写的那些。 长篇博客这一格样本较少（AI 15 篇对真人 22 篇），比其它几格弱，但方向明确。
所以别拿它筛长文
短说明文上它仍然好用，这一点不要一起否定掉。但用它去判断一篇长博客或小说是不是 AI 写的，结论会系统性地偏向错误方向。
改完还能读，这是重点
改写工具最常见的失败不是改得不够，是改出了不是中文的句子
比如把「打造了更具竞争力的解决方案」换成「做出了更具竞争力的解决方案」——「做出」不搭配「方案」。 或者为了让句子变短，从不该断的地方断开：「通过优化业务流程。我们提升了工作效率」，前半句不成句。
- ✓事实关 —— 原文的数字、人名、专有名词、段落数，少一个就打回重做。
- ✓通顺关 —— 三个模型各自读一遍打分，并把觉得不通的句子原样抄出来；两个以上指出同一句就打回重做。
- ✓三次还不过就原样返回，不改 —— 宁可不改，也不写病句。
| 实测（1–5 分，3 个模型评审；结果存疑时加跑一轮取并集） | 通顺度 | 评审发现的病句 |
|---|---|---|
| 本工具 · 仓库五份夸张样例 | 4.0 – 5.0 | 未发现 |
| 上一版纯规则改写 · 同样例 | 2.0 | 5 – 17 处 |
| 本工具 · 社交笔记 350 字（真实模型产出） | 5.0 | 未发现 |
| 本工具 · 学术摘要 736 字（真实模型产出） | 5.0 | 未发现 |
| 本工具 · 科普短文 571 字（真实模型产出） | 4.0 | 1 |
真实模型产出那三篇里，两篇干净，一篇被两位评审指出一处并列失衡（后半句缺了宾语）。
样本只有 3 篇，别当成精确的合格率看 —— 但方向是清楚的：真实文本比夸张样本难改，工具不是零缺陷。
表里写「未发现」而不是「0 处」是有意的：评审对真实病句存在漏报，「未发现」只说这一轮没抓到，不承诺不存在。
这一组是新加的，因为之前只在自己写的夸张样本上测过。
三种用法
按你手上有什么选
| 命令 | 做什么 | 要不要 API key |
|---|---|---|
./humanize rewrite 文件.txt | 只调整断句节奏，不动一个字 | 不要，离线免费 |
./humanize rewrite 文件.txt --llm | 拆掉套话和模板句式，再调节奏 | 要 |
./humanize write "写一篇讲复利的科普" | 从零写一篇本来就没有 AI 腔的 | 要 |
离线那档很保守：它只移动标点，去掉标点后前后文字必须一模一样，程序会校验。 碰上没法安全改的地方，它会直接告诉你「没有可以安全修改的地方」，而不是硬改出病句。
30 秒看效果
一份典型的工作汇报，满篇套话
改写前 随着业务的不断发展，本季度团队在多个层面取得了显著进展。值得注意的是，通过 深度优化业务流程，我们不仅全方位提升了工作效率，更进一步赋能了公司核心战略， 充分体现了多维度协同的价值。 首先，技术团队聚焦核心系统的稳定性建设，持续推动业务长效发展。其次，产品 团队基于用户洞察，打造了更具竞争力的解决方案。综上所述，团队凝聚力得到 进一步增强，为下一季度的发展奠定了坚实基础。 改写后 本季度团队在多个层面取得了显著进展。通过优化业务流程，我们提升了工作效率， 也支持了公司核心战略，多方协同在其中起了作用。 技术团队推进核心系统的稳定性建设，支撑业务持续运行。产品团队基于用户洞察， 提出了更有竞争力的解决方案。团队凝聚力也得到进一步增强。 「随着业务的不断发展」「值得注意的是」「赋能」「多维度」「综上所述」都没了， 事实一个没少，句子读着顺。
安装
下载就能用，不需要 pip install
git clone https://github.com/swaylq/humanize-chinese.git
| 方式 | 命令 |
|---|---|
| ClawHub | clawhub install humanize-chinese |
| Git Clone | git clone https://github.com/swaylq/humanize-chinese.git |
| Claude Code Skill | npx skills add https://github.com/swaylq/humanize-chinese.git |
纯 Python 标准库，零依赖。装成 Claude Code skill 后可以直接说「去 AI 味」「降 AIGC」「检测这段是不是 AI 写的」。 许可证是 MIT Non-Commercial —— 随便用、随便改、随便分发，商用除外。