通过对齐与强化实现推理感知的AIGC检测

大语言模型（LLM）的快速发展与广泛应用提升了对可靠AI生成内容（AIGC）检测的需求，而随着模型演进，这一任务依然充满挑战。我们构建了AIGC-text-bank，一个覆盖多样LLM来源与署名场景的综合性多领域数据集，并提出REVEAL——一个在分类前生成可解释推理链的检测框架。我们的方法采用两阶段训练策略：先以监督微调建立推理能力，再通过强化学习提升准确率、改善逻辑一致性并减少幻觉。大量实验表明，REVEAL在多个基准上取得最优性能，为AIGC检测提供了稳健且透明的解决方案。项目已在https://aka.ms/reveal开源。