AI 小说的叙事指纹研究
404 Media · rss · 2026-07-11
研究结论
这项来自马里兰大学和 Google DeepMind 的预印本研究认为，AI 写的虚构故事之所以容易识别，不只是因为标点、用词等表层风格，而是因为叙事结构本身更公式化。
主要发现
- AI 故事更常过度解释主题、把意义说得太明白，且更偏向单线、整洁的情节推进。
- 人类作品更常呈现道德上的暧昧性、更多时间跳跃和回溯，也能处理更复杂的多角色、多地点叙事。
- 不同模型也有各自倾向：例如 Claude 更容易出现平坦的事件推进，GPT 更容易写到梦境段落，Gemini 更偏向外部角色描写。
- 研究认为，这些差异来自叙事构造而不只是文风，因此可以用来区分人类原创与 AI 生成文本。
方法与数据
研究者提出了一个叫 StoryScope 的检测器，基于 NarraBench 对叙事特征的分类，关注情节发展、角色描写、场景和时间结构等维度。
测试流程是：
- 先选取 10,272 篇人类写作的短篇故事；
- 用 Gemini 2.5 反向生成提示词；
- 再把这些提示词喂给 Gemini 3 Flash、DeepSeek V3.2、Claude Sonnet 4.6、Kimi K2.5 和 GPT 5.4 生成 AI 故事。
研究所用故事来源于 Books3 数据集（约 18.3 万本盗版电子书），作者也明确提到其版权争议，并声明仅用于学术研究，不支持将其用于训练或商业文本生成。
其他值得注意的点
论文底部还披露：研究过程中使用了 Claude Code 和 Codex 等 coding agents 来辅助写作、生成表格和图表。作者表示自己支持更充分地披露 AI 使用情况，也认为 AI agent 在实现代码和润色论文时能明显提效。
「研究」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27
- 用 Sail 等价性证明与 riscv-coq 交叉验证 RISC-V 规范,发现真实 bug — xennygrimmato_ · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27