关系性过度规整：基于句子过渡偏差的图方法AI生成文本检测

检测AI生成文本（AIGT）仍然具有挑战性，因为现有方法依赖token级统计信号或相互独立的文体特征，导致其对特定生成器过拟合并可能在分布偏移下失效。我们在句子对层面识别出一个结构信号：LLM产生的句间过渡方差偏离人类写作——由段落边界处反复出现的相似度爆发和模板化过渡所导致的方差膨胀。我们将其形式化为关系性过度规整（Relational Over-Regularization, ROR），并在四个基准上加以验证（p < 0.001）。核心贡献是这一关系性问题形式化，而非新的GNN架构；CSFG是操作化ROR的一个具体实例。为利用该信号，我们提出跨源文体指纹图（CSFG），一个图框架，把位置、序列、语义和过渡偏差信号编码为可学习的GNN边特征。每条边上的带符号偏差δ_ij在无需手工阈值的情况下操作化ROR，并充当假阳性校准器。CSFG在二分类检测下达到97.14%的准确率，超过最强的图基线11.14个百分点，假阳性率为1.57%，并对处于方差膨胀区间的未见LLM具有稳健泛化；对过渡方差处于或低于人类基线的生成器，检测性能会下降。