Niet alle AI-tekst is even detecteerbaar. Hier zijn de resultaten van onze benchmark per generator — welke modelfamilies onze detector met bijna perfecte nauwkeurigheid opvangt, welke hij moeilijker vindt en wat dat zegt over het kiezen van een detectieworkflow.
[LEADERBOARD TABLE — fill with real per-model AUC numbers from benchmark before publishing]
Gerangschikt van gemakkelijkst naar moeilijkst te detecteren op onze validatieset. De spreiding is groot — AUC op sommige modelfamilies overschrijdt 0,99 terwijl andere dalen naar de 0,80's. Detectiemoeilijkheid correleert met modelomvang, verfijning van instruction-tuning en uitvoervariatie.
Zie onze nauwkeurigheidsbenchmarkpagina voor de volledige methodologie van de uitsplitsing per generator. Dit artikel vat de praktische implicaties van die gegevens samen voor gebruikers die kiezen welke detector te vertrouwen en welk model te gebruiken.
GPT-3.5 is het gemakkelijkst te detecteren moderne model — AUC [AUC: ?] op onze set. Nalatenschap-generatieartefacten (herhaling, ontwijking, saaie register) zijn duidelijk aanwezig. GPT-4 daalt naar AUC [AUC: ?], GPT-4o naar [AUC: ?], wat progressief betere kalibratie weerspiegelt. GPT-5.x is het moeilijkst van de familie — AUC [AUC: ?] — omdat het instruction-tuningteam expliciet heeft gericht op het verwijderen van detectieartefacten.
Praktische implicatie: academische workflows die zich zorgen maken over GPT-3.5-era bedrog kunnen sterk vertrouwen op detectie alleen. Workflows die zich zorgen maken over GPT-5 moeten detectie combineren met contextueel bewijs, zoals beschreven in onze handleiding voor onderwijzers.
Temperatuurinstellingen zijn van belang. Uitvoer met lage temperatuur (t≤0,5) is gemakkelijker te detecteren omdat de kansdruk wordt geconcentreerd op een smaller vocabulaire. De meeste chatinterfaces zijn standaard ingesteld op t≈0,7, wat tekst in een matig detecteerbare zone plaatst. Kwaadwillige gebruikers zetten de temperatuur bewust hoog of gebruiken diverse decoding om het bereik te verbreden en detectie te omzeilen — onze ensemble corrigeert dit gedeeltelijk maar niet volledig.
Claude 3 Opus: AUC [AUC: ?]. Claude 3.5 Sonnet: [AUC: ?]. Claude 4 Opus: [AUC: ?]. Claude 4.5 Sonnet: [AUC: ?]. De Claude-familie produceert consequent minder repetitieve, meer stilistisch gevarieerde tekst dan GPT-modellen van dezelfde generatie, waardoor het moeilijker te detecteren is via statistische methoden.
De constitutional-AI-training van Claude richt zich specifiek op de “machine-tekens” waarop onze gesuperviseerde classifier is getraind — ontwijkingspatronen, overmatig gebruik van specifieke verbindingswoorden, voorspelbare alineastràuctuur. Dit is een directe adversariale relatie: de generator is getraind op functies waarop de detector vertrouwt.
Claude 4.5 Sonnet en GPT-5.x zijn vergelijkbaar in moeilijkheid. Hun scoreverdelingen overlappen de menselijke basislijn het meest in onze validatiegegevens. Als uw workflow een van deze modellen target, verwacht dan verminderde recall bij de standaarddrempel en overweeg te verlagen naar F1-optimaal voor hoge-gevoeligheidsscreening.
Gemini 1.5 Pro: AUC [AUC: ?]. Gemini 2.0: [AUC: ?]. Gemini 2.5: [AUC: ?]. Gemini heeft de meest variabele detectieprestaties laten zien over versies heen — sommige tussenliggende releases regresseerden tijdelijk voordat verbeteringen werden doorgevoerd.
De multimodale training van Gemini betekent dat tekst-enkel-uitvoer soms vestigiale patronen meedraagt van afbeeldingsbijschrift- of codeverklaringsdomeinen. Onze detector herkent dit, wat verklaart waarom Gemini iets hoger detecteerbaar is op gemengde-domeinprompts dan op pure proza.
Voor Google Workspace-gebruikers wier studenten of medewerkers Gemini via Docs gebruiken, is het detectiesignaal vergelijkbaar met de ruwe API-uitvoer. Wij hebben geen workspace-integratiespecifieke ontwijkingspatronen waargenomen die verschillen van direct Gemini API-gebruik.
Plak uitvoer van een LLM en bekijk het per-zin-oordeel. Onze detector behandelt alle 22 modelfamilies als één ensemble-controle.
Llama 3.1: AUC [AUC: ?]. Llama 3.3: [AUC: ?]. Qwen 2.5: [AUC: ?]. Qwen 3: [AUC: ?]. DeepSeek R1: [AUC: ?]. Mistral Large: [AUC: ?]. Open-gewichtsmodellen beslaan een breder bereik dan gesloten modellen — fijnafstellingsvarianten, gekwantiseerde implementaties en door de gemeenschap gewijzigde checkpoints produceren allemaal subtiel verschillende uitvoer.
Detectie op open-gewichtsmodellen is strategisch belangrijk omdat humaniseertools gewoonlijk zijn gebouwd op open-gewichtsmodellen — Llama- en Mistral-derivaten draaien lokaal tegen lage kosten, waardoor parafraseer- en stijloverdrachtsservices daar hun prijs op baseren. Als uw zorg gehumaniseerde AI is, verdedigt u zich uiteindelijk tegen Llama-familie-generatie.
DeepSeek R1 en o3-mini (OpenAI-redeneermodel) verdienen aparte vermelding. Beide produceren tekst met redeneerketingartefacten — expliciete stap-voor-stap-logica zichtbaar in de uitvoer — die onze detector heeft leren herkennen. Redeneermodellen zijn momenteel gemakkelijker te detecteren dan hun basis-chat-tegenhangers om deze reden.
Als u een model kiest om mee te schrijven en detectie niet uw zorg is, zijn Claude 4.5 Sonnet en GPT-5 het moeilijkst te detecteren. Als u een detectieworkflow bouwt, prioriteer dan voor de modellen die u werkelijk ziet: de meeste academische misbruiken draaien nog steeds op GPT-4/5 via gratis interfaces; de meeste contentfarms draaien op Llama-derivaat humaniseertools.
Een enkele detector getraind op één modelfamilie zal het slechtst presteren op de anderen. Onze ensemble-aanpak traint op voorbeelden van alle 22 generatoren, waardoor de AUC per model op moeilijke gevallen (Claude 4.5, GPT-5) nog steeds boven 0,90 ligt terwijl een door één model getrainde detector onder 0,80 zou zakken.
De onderliggende trend: detectiemoeilijkheid stijgt sneller dan de release-cadans van generatoren. Elk nieuw vlaggenschip is moeilijker te detecteren dan het vorige, hertraining verkleint het gat maar niet volledig. Verwacht dat de basislijn voor 2026-2027 een lagere AUC zal zijn op frontiermodellen en ruwweg constant op legacy-modellen.
AUC-cijfers per model zijn afkomstig van onze interne validatie en zijn mogelijk niet generaliseerbaar. De moeilijkheid van elk model verandert in de loop van de tijd naarmate zowel de generator als ons trainingscorpus evolueren. Huidige gegevens weerspiegelen de benchmarkrun van 2026-04.
Steun Oekraïne!