論文の概要: Agents Can Use Base Models to Evade AI Detection

• arxiv url: http://arxiv.org/abs/2609.31876v1
• Date: Fri, 25 Sep 2026 18:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 05:02:37.404097
• Title: Agents Can Use Base Models to Evade AI Detection
• Title（参考訳）: エージェントはベースモデルを使ってAI検出を回避できる
• Abstract要約: ベース言語モデルを備えた符号化エージェントは,サンプルからの応答をうまくアセンブルし,検出を回避できることを示す。 クロードコードを利用するClaude Opus 5は、ローカル32BパラメータOLMo-2ベースLMを効果的にオーケストレーションする。
• 参考スコア（独自算出の注目度）: 27.744608800535186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that coding agents equipped with a base language model can successfully assemble responses from its samples to evade detection. Base models have been shown to evade commercial detectors, however, prior "humanization" techniques rely on using these models to paraphrase AI outputs over several iterations, which invariably results in semantic drift. In contrast, equipping coding agents to directly orchestrate the writing process by stitching text samples from a base model allows it to produce outputs that are coherent, task-specific and generally high quality. We find that Claude Opus 5 operating in a Claude Code harness effectively orchestrates a local 32B parameter OLMo-2 base LM and sacrifices little task accuracy across benchmarks spanning creative writing, factual grounding, health QA and instruction following, while using up to 90% base LM tokens. Responses constructed in this manner reduce the effectiveness of both post-hoc detectors (Pangram v4 detection rate drops from 77% to 24%) and soft watermarking applied a priori to the agent's generations (down to a simulated 10% detection at low FPR). While effective, this evasion requires a significantly larger number of input and output tokens from the agent, increasing the dollar cost per query up to 30x at API-pricing. Overall, this work demonstrates the effectiveness of a new class of adversarial attacks against AI text detection, and urges post-hoc detection providers to include outputs of base models in their training.
• Abstract（参考訳）: ベース言語モデルを備えた符号化エージェントは,サンプルからの応答をうまくアセンブルし,検出を回避できることを示す。 ベースモデルは商用検出器を避けることが示されているが、先行の「人間化」技術は、これらのモデルを使用してAIの出力を何回かの反復で言い換えることに頼っているため、セマンティックドリフトは必然的に生じる。 対照的に、ベースモデルからテキストサンプルを縫い合わせることで、コーディングエージェントを装備することで、コヒーレントでタスク固有で、一般的に高品質な出力を生成することができる。 クロードコードで動作しているClaude Opus 5は、ローカル32BパラメータOLMo-2ベースのLMを効果的にオーケストレーションし、クリエイティブな書き込み、ファクトグラウンド、ヘルスQA、インストラクションにまたがるベンチマークにおいて、最大90%のLMトークンを使用しながら、タスク精度を犠牲にしている。 この方法で構築された応答は、両方のポストホック検出器(パングラムv4検出率は77%から24%に低下)とソフトウォーターマーキング(低FPRでのシミュレーション10%検出まで)の有効性を低下させる。 有効ではあるが、この回避にはエージェントからの入力および出力トークンの数が大幅に増加し、API価格でクエリあたりのコストが最大30倍になる。 全体として、この研究はAIテキスト検出に対する新たな種類の敵攻撃の有効性を示し、トレーニングにベースモデルの出力を含めるようポストホック検出プロバイダに促す。

関連論文リスト

• Team DArgk at the 2026 ELOQUENT lab for evaluating generative language model quality: Residuals of Humanity: AI Detection Evasion via GRPO Fine-Tuning [0.5156484100374058]
  本稿では,政策最適化問題として検出回避を定式化する強化学習フレームワークSHADEを提案する。 我々の実験では、KL正規化ペナルティを小さくしたフル微調整は、サロゲート回避の980.5%、ベースモデルが1.5%であるのに対し、サロゲート回避の980.5%が達成されている。 言語学的分析により、脱出の成功はより短く、よりシンプルで、語彙的にも多様性の低い出力と関連していることが明らかになった。
  論文  参考訳（メタデータ） (2026-09-02T12:26:10Z)
• Unsupervised Style Representation Learning for AI-Text Detection via Paraphrase Inversion [5.789169343514737]
  我々は、その機械生成パラフレーズから人間によるテキストを再構築するスタイルエンコーダを訓練する。 学習した表現を2つの検出戦略により評価する: 数発の検知器と0発のDeepSVDDベースの検出器である。
  論文  参考訳（メタデータ） (2026-06-08T19:28:52Z)
• Base Models Look Human To AI Detectors [68.7723287560362]
  ベースモデルから生成されたテキストは圧倒的に人間的であると判断されることが多いが、命令で調整されたテキストはそうではない。 提案するHumanization by Iterative Paraphrasing (HIP)は,ベースモデルをパラフラザーに最小限微調整し,反復的に適用する検出器非依存パイプラインである。 以上の結果から,現在の検出器は,機械生成テキストの概念よりも,命令チューニングやローカルコンテキストのアーティファクトを追跡していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-19T08:13:12Z)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
  テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。 我々の理論的分析は、提案された攻撃の優越性を示唆している。
  論文  参考訳（メタデータ） (2025-05-21T10:08:39Z)
• Humanizing the Machine: Proxy Attacks to Mislead LLM Detectors [31.18762591875725]
  我々は、大規模言語モデル(LLM)を懸命に妥協するプロキシ・アタック戦略を導入する。 提案手法は, 復号相における強化学習 (RL) の微調整による小型言語モデル (SLM) を活用することで, 情報源モデルを攻撃する。 以上の結果から,プロキシアタック戦略は主要な検出器を効果的に騙し,複数のデータセットで平均70.4%のAUROC低下を招いた。
  論文  参考訳（メタデータ） (2024-10-25T00:35:00Z)
• Can AI-Generated Text be Reliably Detected? [50.95804851595018]
  大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。 盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。 我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。