来自宾夕法尼亚大学和 Google DeepMind 的研究者推出了 DetectorScope，并开放代码与模型。它将黑箱 AI 文本检测器的判断拆解为具名、经过验证的特征贡献，还能标出特征在原文中的位置，让使用者查看哪些文本细节影响了判定。项目同时强调，这是一项研究成果，并非 Google 官方产品。
据项目 README，DetectorScope 使用稀疏自编码器（SAE）提取语言模型内部的特征，为每个特征生成自然语言描述，再根据实际激活情况验证描述。只有达到解释得分门槛的特征，才能进入后续分类器。
论文介绍，研究者使用 gemini-3.1-flash-lite 生成并验证特征描述，再训练带 L1 正则化的逻辑回归分类器。最终输出的 logit 分数等于偏置与各项特征贡献之和，使用者可以查看每项贡献的描述及对应文本位置。
README 给出的英文示例包含反复出现的 about，检测结果为 ai，p_ai 为 0.88。其中，介词 about 的贡献为 +0.23，重复短语为 +0.14，口语填充表达 like i said 为 -0.05。这些数字是示例中的特征贡献，不是各词分别对应的 AI 概率。
README 称，参数 tau 控制特征描述必须达到的自动解释得分，默认值为 0.85。提高门槛会留下更少、描述更准确的特征，但会付出一定准确率代价。
据作者在 COLING 和 RAID 上的实验，可审计流程对性能的不利影响较小，检测结果接近其所基于的微调黑箱分类器。不过，论文也指出，当底层检测器无法泛化时，这套系统同样会受到影响。
在同行评审数据集 PRDB 上，作者训练的分类器几乎都达到完美成绩，作者认为这提示数据可能存在混杂因素或虚假特征。论文表 4 显示，「粗体 Markdown 标题后的双冒号」这一特征仅出现在 11 篇人类文本中，却出现在 54,293 篇 GPT-4o 文本中。检测依据因此可能涉及具体的格式差异。
用户可通过 pip install detectorscope 安装，也可体验项目提供的 Hugging Face Space 在线演示。软件采用 Apache License 2.0，其余材料采用 CC-BY 4.0。
解释本身仍有局限。论文指出，自动生成的特征描述存在偏向高召回、低精度的问题；作者的非正式测试发现，约一半描述近乎完美，另一半存在不同程度的召回偏差。
项目明确说明，检测器会误判人类文本，在训练领域和生成器之外的准确率尚未得到证实，不得作为学术诚信、招聘或发表等针对个人的决定依据。
