Введение

Быстрый рост популярности больших языковых моделей (англ. Large Language Models, LLM) в последние годы привел к буму сгенерированного контента в Интернете. Подобные инструменты являются доступными для рядового пользователя и позволяют дешево создавать текстовые материалы, аудио- и видеозаписи, которые используются в самых разных целях. Согласно одному из исследований Graphite, в ноябре 2024 года доля текстов, созданных при помощи ИИ, превысила долю текстов за авторством людей. Чтобы сделать такой вывод, специалисты исследовали 43 000 ссылок на англоязычные статьи, опубликованные с января 2020 по май 2025. Весной 2026 года они опубликовали расширенное исследование, в котором заявили о паритете, примерном равенстве долей.

Но как обнаруживать такой контент? И нужно ли вообще это делать? Второй вопрос является достаточно философским, чтобы каждый ответил на него для себя самостоятельно. Подробно остановимся на первом вопросе, потому что рост популярности LLM вызвал ответную реакцию: появились инструменты, — детекторы нейросетей, или нейродетекторы, — позволяющие с некоторой вероятностью определить, что текстовый фрагмент был сгенерирован моделью. В 2026 году в России такие сервисы начали широко применяться образовательными организациями для обнаружения фактов использования генеративного ИИ студентами при написании контрольных, курсовых и дипломных работ. В течение весны и лета в СМИ то и дело появлялись новые сюжеты, в которых студенты рассказывали о выдвижении против них ошибочных подозрений в использовании нейросетей, несмотря на самостоятельное выполнение работ. Не исключено, что в будущем каждому человеку придется пройти нейродетектор хотя бы раз в жизни, а пока вернемся в настоящее.

Принципы работы нейродетекторов

Люди заинтересовались возможностью классифицировать тексты по признаку происхождения задолго до нашумевшего релиза GPT-3.5. Изначально интерес был связан с почтовым спамом, фальшивыми отзывами, псевдонаучными статьями, машинным переводом. Поворотной точкой можно считать появление весной 2019 года Grover — инструмента одновременно и для генерации, и для распознавания ложных новостей. Grover мог достаточно успешно определить сгенерированную новость в большинстве случаев. Данная работа заложила фундамент будущих исследований в области обнаружения сгенерированных текстов, установив ряд важных положений: существует гонка между генераторами и классификаторами, длинные тексты обнаружить легче коротких, генеративная модель сама по себе может быть эффективным детектором.

Итак, типовой нейродетектор представляет собой классификатор, который статистически оценивает, насколько переданный на вход текст похож на известные ему сгенерированные и человеческие тексты. Перед оценкой проводится предобработка текста, извлекаются существенные для оценки признаки, к которым относятся синтаксис и порядок слов, повторяемость конструкций, предсказуемость слов. Разумеется, результат работы нейродетектора зависит от его реализации. Какие-то нейродетекторы сообщают только признак сгенерированности текста. Например, Нейродетектор от Яндекса отмечает фрагменты текста одним из 4 вариантов: AI (машинный), LIKELY AI (скорее машинный), LIKELY HUMAN (скорее человеческий), HUMAN (человеческий). Другие выделяют конкретные подозрительные фрагменты. Так, детектор от Текст.ру возвращает в результате проверки значение от 0% до 100%, которое показывает долю текста, предположительно сгенерированную ИИ.

Один и тот же текст, проверенный разными детекторами, может получить полный спектр оценок от «человеческого» до «машинного». В 2023 году OpenAI признали низкую точность собственного классификатора и свернули проект, сославшись на практическую невозможность получить достоверный результат проверки. Тем не менее сегодня развиваются десятки альтернативных решений. Исходный код большинства из них закрыт. Одним из исключений является GigaCheck, созданный Сбером. Этот детектор предназначен прежде всего для русскоязычных текстов. Он оценивает их по преобладающему содержимому, то есть на выход передается бинарный признак того, был текст сгенерирован машиной или написан человеком. Классификатор документов построен на дообученной языковой модели семейства Mistral, а для определения границ сгенерированных фрагментов внутри смешанного текста используется DETR-подобная архитектура. Официально заявленная точность составляет 94,7%.

Несмотря на высокие показатели точности, о которых говорят разработчики подобных решений, не стихают дискуссии об адекватности оценки текстов нейродетекторами. Проблема заключается в том, что результат может драматически отличаться при внесении незначительных правок, перефразировании или изменении границ выбранного для анализа фрагмента. Текст.ру перечисляет следующие возможные причины ошибок классификатора: короткий текст, канцелярский язык, большое количество штампов, однотипные фразы и другие характерные особенности. Неспособность нейродетекторов работать с точностью оптических атомных часов порождает скептическое отношение к ним, однако мы не станем выражать свое мнение о технологии или ее конкретных реализациях, а посмотрим на практическое применение 6 современных больших языковых моделей против 4 нейродетекторов, подходящих для классификации русскоязычных текстов.

Эксперимент

Для проведения эксперимента были выбраны следующие известные российские решения для проверки происхождения текстов: Яндекс Нейродетектор, GigaCheck от Сбера, ИИ-детектор от Текст.ру, — а также GPTZero, одно из зарубежных решений. Для генерации текстов использовались следующие модели: Claude Opus 5, Kimi K3, GPT-5.6 Sol, GLM 5.2, DeepSeek V4 Pro, GigaChat 3.5 Ultra. Точкой отсчета для сравнения и основой для подготовки инструкций генеративным моделям выступают 3 человеческих текста, которые были опубликованы в Интернете до 2021 года, то есть шанс их искусственной генерации крайне маловероятен. Все тексты написаны в научном стиле и относятся к одной тематике.

Далее с помощью каждой из 6 моделей были сгенерированы по 3 текста на тему панграмм с требуемой длиной 25-35 слов, 90-110 слов и 220-260 слов. Использовался следующий шаблон инструкции для моделей:

Напиши на русском языке нейтральный научно-популярный текст объемом X-Y слов о [ТЕМА]. Укажи [ОБЯЗАТЕЛЬНЫЙ АСПЕКТ]. Избегай неподтвержденных утверждений. Перед ответом проверь количество слов. Выведи только готовый текст.

Каждая модель получила одинаковую инструкцию. Соответствие выходных текстов формальным требованиям проверялось экспертом, правки не вносились. Тексты (3 человеческих, 18 сгенерированных) были проверены каждым из 4 нейродетекторов один раз. Для удобства результаты разделены на два класса: AI (машинные) и HUMAN (человеческие). Поскольку каждый нейродетектор использует собственный подход к представлению результатов, они были приведены к единому формату следующим образом:

Несколько слов об ограничениях и допущениях. Яндекс Нейродетектор может делить входной текст в зависимости от объема на фрагменты и классифицировать каждый из них отдельно. В данном эксперименте на два фрагмента делятся только тексты из третьей группы (220-260 слов). В таком случае считается, что более уверенная метка (AI или HUMAN) приоритетнее менее уверенной (LIKELY_AI или LIKELY_HUMAN), а класс AI меток приоритетнее соответствующих им HUMAN меток. Например, если один фрагмент помечен как AI, а другой как HUMAN, то весь текст считается сгенерированным ИИ. Если же одна часть помечена как LIKELY_AI, а другая как HUMAN, то текст признается человеческим. GPTZero требует, чтобы минимальный объем текста составлял 250 символов, что неприменимо в случае с короткими текстами, поэтому данный нейродетектор пропущен для группы коротких текстов.

Основные результаты

Прежде чем переходить к обзору результатов, следует уточнить пару важных деталей: данная статья не является полноценным исследованием или сравнительным анализом нейродетекторов, а полученные результаты нельзя назвать репрезентативными. Использовалась малая выборка текстов, результаты актуальны по состоянию на 27 июля 2026 года. Мы не рекомендуем и не отвергаем ни одно из существующих решений. Итак, начнем с вердиктов детекторов по каждому тексту.

Невооруженным взглядом видно, что длинные тексты получается классифицировать лучше, ошибки практически отсутствуют. Нейродетекторы действительно склонны чаще ошибаться на коротких текстах. Более того, ошибки не выглядят случайными, можно выделить некоторые закономерности. Например, Яндекс Нейродетектор трижды ошибочно отнес сгенерированный Claude Opus 5 пассаж к классу текстов, написанных человеком. ИИ-детектор от Текст.ру подобным образом ошибся на текстах от GPT-5.6 Sol. Такие результаты позволяют говорить о наличии у нейродетекторов «слепых зон», то есть об их неспособности адекватно распознавать работу определенной модели или группы моделей. Стоит заметить успех всех рассмотренных нейродетекторов в определении текстов от DeepSeek V4 Pro — похоже, почерк этой модели является одним из самых узнаваемых. Ни разу не ошиблись GigaCheck и GPTZero. Мы обсудим этот феномен несколько позже, а пока детальнее изучим зависимость успешных случаев классификации от длины входных текстов.

Все выглядит логично: чем длиннее текст, тем больше выборка для вынесения вердикта. Короткие справки, слишком простые или необычные по стилю написания тексты обнаруживаются сложнее, поскольку статистически значимые сигналы, указывающие на искусственное происхождение материала, практически отсутствуют. Некоторые нейродетекторы не позволяют проверять тексты короче определенной длины как раз с целью максимизации вероятности вынесения корректного вердикта. При этом не следует пытаться анализировать десятки тысяч символов за один проход. Так, Яндекс Нейродетектор проводит сегментацию входного текста на приближенно равные фрагменты и классифицирует их по отдельности.

Теперь вернемся к феномену GigaCheck и GPTZero. Конечно, безошибочная классификация нашей подборки текстов заслуживает всяческих похвал, однако это не означает, что они всегда работают безупречно. На изображении выше представлены доли ошибок и 95%-е доверительные интервалы Уилсона. Между доказанной безошибочностью и отсутствием зафиксированных ошибок существует большая разница, что демонстрируют достаточно широкие доверительные интервалы. Поскольку наблюдений очень мало, эти данные следует учитывать в порядке «к сведению» и не принимать за надежную оценку качества детекторов. Однако важная деталь, проявившаяся даже в нашем небольшом эксперименте, заключается в том, что детекторы могут не только пропускать сгенерированные ИИ тексты, но и ошибочно срабатывать на человеческих текстах. На использованной выборке зафиксирован всего один такой случай, но ошибку может допустить каждый нейродетектор. Например, GigaCheck ошибочно называет ИИ-текстом выдержку из доклада Генерального секретаря ООН от 1 марта 2018 года:

Посмотрим на обратную ситуацию, в которой текст, сгенерированный ИИ, определяется всеми нейродетекторами как человеческий. Мы не зафиксировали ни одного такого случая, но ближе всего текст средней длины, созданный моделью Claude Opus 5. Половина рассматриваемых нейродетекторов на нем ошиблись. Попробуем без ручных правок заставить все нейродетекторы думать, что перед ними плод человеческой фантазии. Для этого применим двухэтапную схему генерации: сначала текст генерируется одной моделью, затем «очеловечивается» другой. Трансформируем исходный текст Claude Opus 5 с помощью Gemini 3.6 Flash:

Новый текст классифицируется как человеческий Нейродетектором от Яндекса, GigaCheck, ИИ-детектором от Текст.ру. GPTZero пометил текст как смешанный, что тоже можно признать успешным результатом, поскольку этот текст был полностью сгенерирован ИИ.

Вместо вывода

Существуют риски, связанные как с генеративными ИИ-моделями, так и с нейродетекторами. Данная статья посвящена детекторам, но невозможно не сказать несколько слов про галлюцинации, к которым склонны даже современные модели. Внимательный читатель мог заметить в представленном выше тексте модели Claude следующую фразу: «Она охватывает почти весь алфавит, кроме «ж» и «й». Это фактологическая ошибка: буква «й» содержится во фразе «Съешь ещё этих мягких французских булок, да выпей чаю», которую модель привела буквально в предшествующем предложении. В некоторых других текстах также содержатся ошибки. Например, в своем длинном тексте модель GigaChat ошибочно приписала авторство данной фразы А.Н. Толстому. Полный перечень использованных текстов, промптов и других материалов приведен в репозитории.

Ситуация с нейродетекторами выглядит интереснее. Какие-то из них более «агрессивные», а какие-то менее. Им свойственны различные «слепые зоны». Каждый из них работает по-своему и может ошибаться, никак не аргументируя выходные результаты. В сообществе не существует единого мнения относительно этой технологии. Пока кто-то видит в ней спасение от волны нейрослопа и возможность валидировать результаты работы подрядчиков, другие указывают на бесперспективность дальнейших разработок и угрозу, выражающуюся в ошибочной классификации текстов. Вероятнее всего, полностью отказаться от этой технологии уже не удастся, но следует четко устанавливать правила, помнить о естественных ограничениях нейродетекторов, по возможности использовать несколько из них.