PAN生成AI检测：关注过程特征以应对分布变化

我们介绍Writerslogic参加PAN at CLEF 2026的三个系统：推理轨迹检测、Voight-Kampff生成AI检测和多作者写作风格分析。共同框架认为，分布变化下特征鲁棒性取决于训练和测试支持集重叠，而非训练效应量，据此区分领域锚定、领域可迁移与领域不变特征，解释生成器专属特征失效，而单次词比率、Yule K、Heaps指数等词汇指纹、压缩和字符n-gram能保持。在训练全为数学、测试84%为未见领域的推理轨迹检测中，系统通过Opus—Sonnet一致性获得来源检测第一名，宏F1 0.85；通过查询—拒绝分解获安全分类第三，宏F1 0.66。Voight-Kampff以DeBERTa-v2 ONNX、44种可迁移风格特征的多种子LightGBM和n-gram TF-IDF SVM，经学习堆叠与保序校准集成，最佳配置测试成绩0.891，各子指标0.853—0.902。多作者系统融合字符相似图谱聚类、归一化压缩距离局部边界检测和SmolLM-135M困惑度变化点检测；平台弄错导致未进入正式评测，因此只报告设计及事前预测。三项任务均围绕一个设计目标：分布变化时，衡量生成过程的特征优于衡量生成内容的特征。