پتہ لگانا اور تیاری ایک بلی اور چوہے کی دوڑ میں بند ہیں۔ ہر نئی ماڈل ریلیز اس شماریاتی خلا کو بند کرتی ہے جس پر ڈیٹیکٹرز انحصار کرتے ہیں — اور ہر پتہ لگانے کی بہتری کا جواب ایک نئے humaniser ٹول سے دیا جاتا ہے۔ اصل میں اندر کیا ہو رہا ہے یہ یہاں ہے۔
ہر AI متن ڈیٹیکٹر بنیادی طور پر ایک شماریاتی تمیز کار ہے — یہ متن کی خصوصیات (ٹوکن امکانات، perplexity، burstiness، نحوی باقاعدگی) کو دیکھتا ہے اور مشین سے تیار کردہ اور انسانی تحریر کردہ مواد میں فرق کرنے والے اشارے تلاش کرتا ہے۔ Binoculars طریقہ (ICML 2024) دو زبانی ماڈلز کے درمیان cross-perplexity کے تناسب کو بطور اشارہ استعمال کرتا ہے۔ ModernBERT supervised طریقہ لیبل شدہ مثالوں سے براہ راست اشارہ سیکھتا ہے۔
دونوں طریقوں میں ایک بنیادی کمزوری مشترک ہے: جن اشاروں پر وہ انحصار کرتے ہیں وہ ماڈلز کے متن تیار کرنے کے طریقے کے ضمنی اثرات ہیں، مشین لکھنے کی بنیادی خصوصیات نہیں۔ جیسے جیسے جنریٹرز بہتر ہوتے ہیں، یہ ضمنی اثرات سکڑتے ہیں۔ انسان کی طرح لکھنے کے لیے تربیت یافتہ ماڈل — تعریف کے مطابق — پتہ لگانا مشکل تر ہوگا۔
یہ تحقیقی ناکامی نہیں ہے۔ یہ مسئلے کے بارے میں ایک ساختی حقیقت ہے۔ پتہ لگانا ایک متحرک ہدف پر کام کرتا ہے: ہر بڑی LLM ریلیز خلا کو تنگ کرتی ہے، ہر humaniser ٹول صریحاً ڈیٹیکٹر آؤٹ پٹس کے خلاف تربیت حاصل کرتا ہے۔ سوال یہ نہیں کہ ‘کیا ہم ہمیشہ کے لیے 100% پتہ لگانا حاصل کر سکتے ہیں’ — یہ نہیں کیا جا سکتا — بلکہ ‘کیا ہم عملی طور پر مفید ہونے کے لیے موجودہ نسل سے آگے رہ سکتے ہیں۔’
تین تیاری کے رجحانات پتہ لگانا مشکل بناتے ہیں۔ سائز: بڑے ماڈلز شماریاتی طور پر زیادہ متنوع متن پیدا کرتے ہیں کیونکہ ان کے اندرونی تقسیم زیادہ امیر ہیں۔ 70 ارب پیرامیٹر والے ماڈل کے پاس 7 ارب پیرامیٹر والے ماڈل سے زیادہ انسانی جیسے آؤٹ پٹ کی وسیع رینج ہے۔ Instruction-tuning: RLHF اور آئینی طریقے ماڈلز کو دہرانے والے، بچاؤ کرنے والے، بے رنگ نمونوں سے بچنا سکھاتے ہیں جنہوں نے GPT-3 کو آسانی سے پکڑنے لائق بنایا۔ Temperature اور sampling: چیٹ انٹرفیسز nucleus sampling اور بے ترتیبی کی طرف بڑھ گئے ہیں، جو کچھ کم تغیر کے نمونوں کو توڑتے ہیں جنہیں کلاسیکی ڈیٹیکٹرز لنگر کے طور پر استعمال کرتے تھے۔
GPT-5، Claude 4.5، اور Gemini 2.5 سبھی اپنے پیشرووں سے نمایاں طور پر پتہ لگانا مشکل تر ہیں۔ ہمارے اندرونی توثیق سے اس کی تصدیق ہوتی ہے: ہر ماڈل نسل اس خاندان پر ہمارے AUC کو پچھلی نسل کے مقابلے میں 5–10 فیصد پوائنٹس کم کر دیتی ہے۔ فی ماڈل اعداد و شمار کے لیے ہمارا درستگی بینچ مارک دیکھیں۔
Humaniser ٹولز — Undetectable AI، StealthWriter، Humanbeing، اور ایک بڑھتی ہوئی فہرست — صریح دشمن ہیں۔ وہ AI آؤٹ پٹ لیتے ہیں اور اسے خاص طور پر ڈیٹیکٹرز کو ناکام بنانے کے لیے paraphrase، rewrite، یا style-transfer کرتے ہیں۔ انہیں عوامی ڈیٹیکٹرز (بشمول ہمارے، حالانکہ ہم اپنے ماڈل ویٹس کبھی شیئر نہیں کرتے) کے خلاف تربیت دی جاتی ہے اور وہ ہر اپ ڈیٹ کے ساتھ قابل پیمائش طور پر بہتر ہوتے ہیں۔
ڈیٹیکٹرز کے پاس تیاری کی ہتھیاروں کی دوڑ کے تین جوابات ہیں۔ Ensembling: متعدد پتہ لگانے کے اشاروں کو یکجا کرنا تاکہ کوئی واحد چکمہ دینے کی حربہ ناکافی ہو۔ supervised ModernBERT کے ساتھ zero-shot Binoculars کا ہمارا ensemble اس سے فائدہ اٹھاتا ہے: ایک humaniser جو ایک کمپوننٹ کو ناکام بناتا ہے اکثر دوسرے کے خلاف ناکام ہوتا ہے، اور ensemble اسکور دونوں کو پکڑتا ہے۔
مسلسل دوبارہ تربیت: ہم لانچ کے 4 ہفتوں کے اندر ہر بڑی نئی جنریٹر ریلیز سے نمونے شامل کرتے ہیں۔ اگر GPT-6 کل آجاتا ہے، تو ہمارے ٹریننگ کارپس میں اگلے مہینے کے وسط تک یہ شامل ہوگا۔ یہ مہنگا ہے — کمپیوٹ، تشریح، دوبارہ توثیق — لیکن پتہ لگانے کو جاری رکھنے کا یہ واحد طریقہ ہے۔ سالانہ یا اس سے کم دوبارہ تربیت دینے والے ڈیٹیکٹرز ایک سال کے اندر عملاً ناکارہ ہو جاتے ہیں۔
مخالفانہ تربیت: ہم جان بوجھ کر humanised AI نمونوں اور paraphrased آؤٹ پٹ پر تربیت دیتے ہیں، ماڈل کو سطحی سطح کے style transfer سے آگے دیکھنا سکھاتے ہیں۔ یہ اس چیز کی منزل بڑھاتا ہے جو ایک humaniser کو ہم سے بچنے کے لیے کرنی ہوگی، جو بدلے میں ہتھیاروں کی دوڑ کو سست کرتی ہے۔
humaniser ٹولز اصل میں کیسے کام کرتے ہیں؟ تین وسیع زمرے۔ Paraphrasing: ایک ثانوی LLM استعمال کرتے ہوئے متن کو لفظ بلفظ یا جملہ بجملہ دوبارہ لکھنا۔ ان naïve ڈیٹیکٹرز کے خلاف موثر جو صحیح ٹوکن ترتیب پر انحصار کرتے ہیں؛ شماریاتی طریقوں کے خلاف معمولی طور پر موثر۔ Style transfer: متن کو ایک مخصوص مصنف یا رجسٹر کی نقل کرنے کے لیے تبدیل کرنا۔ زیادہ موثر — style-transferred AI متن پر ہمارے ڈیٹیکٹر کا AUC ~8 پوائنٹس گر جاتا ہے۔
ہجین انسانی-AI ترمیم: مصنف ایک مسودہ لکھتا ہے، اسے پالش کے لیے LLM سے گزارتا ہے، پھر پالش ورژن کو ہاتھ سے ترمیم کرتا ہے۔ یہ سب سے مشکل معاملہ ہے — جائز طور پر باہمی تعاون کا کام جو جملے کی سطح پر انسانی اور مشینی اشاروں کو ملاتا ہے۔ کوئی ڈیٹیکٹر، بشمول ہمارے، ترمیمی تاریخ کے میٹا ڈیٹا کے بغیر قابلِ اعتماد طریقے سے ان کو حل نہیں کر سکتا جو ڈیٹیکٹر نہیں دیکھ سکتا۔
ایک مفید ذہنی ماڈل: ایک humaniser ڈیٹیکٹر توڑنے والا نہیں ہے، یہ لاگت بڑھانے والا ہے بچنے والے کے لیے۔ اس میں وقت لگتا ہے، کبھی کبھی پیسہ، اور ہمیشہ غلطیاں متعارف کرانے کا خطرہ ہوتا ہے۔ زیادہ تر تعلیمی دھوکہ دہی کی کوششیں humanisers استعمال نہیں کرتیں کیونکہ رگڑ فائدے سے زیادہ ہے۔ جہاں humanisers غالب ہیں وہ پیشہ ورانہ مواد کی فارمنگ اور AI سے تیار کردہ SEO اسپام ہے — ایسے استعمال کے معاملات جہاں تھروپٹ اہمیت رکھتا ہے اور معیار کنٹرول کمزور ہے۔
کوئی بھی دستاویز چسپاں کریں اور 30 سیکنڈ سے کم میں فی جملہ فیصلہ حقیقی وقت میں دیکھیں۔ اوپر بیان کردہ ensemble منطق آپ کے متن پر چلتی ہے۔
ایک واحد اشارے والے ڈیٹیکٹر کی ایک واحد ناکامی کا طریقہ ہے۔ اگر آپ صرف perplexity پر انحصار کرتے ہیں، تو بدلے ہوئے ٹوکن امکانات کے ساتھ paraphrased آؤٹ پٹ آپ کو ناکام بناتا ہے۔ اگر آپ صرف ایک supervised classifier پر انحصار کرتے ہیں، تو out-of-distribution متن (ایک نئی ماڈل فیملی، ایک نئی تحریری ڈومین) آپ کو ناکام بناتا ہے۔ ایک ensemble کمزوریوں کی اوسط کرتا ہے: وہ paraphrase جو perplexity کو ناکام بناتا ہے شاید supervised head کو پھر بھی ٹرپ کر دے، اور اس کے برعکس۔
ہمارا پروڈکشن ڈیٹیکٹر صریحاً ensembled ہے: 35% Binoculars (zero-shot، ماڈل-agnostic، out-of-distribution کے لیے مضبوط) + 65% ModernBERT (supervised، domain-specific، in-distribution متن پر اعلیٰ precision)۔ ویٹس تجرباتی طور پر منتخب کیے گئے — ensemble AUC زیادہ سے زیادہ اس وقت ہوا جب ModernBERT نے غلبہ حاصل کیا لیکن Binoculars نے edge cases پر veto power برقرار رکھی۔
نتیجہ: ایک humaniser ٹول کو اب ہمارے فیصلے سے بچنے کے لیے بیک وقت دو بنیادی طور پر مختلف پتہ لگانے کے آرکیٹیکچرز کو ناکام بنانا ہوگا۔ عوامی humanisers عموماً ایک واحد ہدف ڈیٹیکٹر کے خلاف تربیت یافتہ ہوتے ہیں، جس کا مطلب ہے کہ وہ اکثر اس مخصوص ڈیٹیکٹر کے خلاف کامیاب ہوتے ہیں لیکن ایک ensemble کے خلاف ناکام ہوتے ہیں۔ یہ موجودہ ہتھیاروں کی دوڑ میں پتہ لگانے کا بنیادی ساختی فائدہ ہے۔
ہمیں 2026–2027 کے دوران کیا توقع کرنی چاہیے؟ GPT-6 اور Claude 5 ممکنہ طور پر سال کے وسط کی ریلیزز ہیں؛ دونوں خلا کو مزید تنگ کریں گے۔ Open-weights ماڈلز — Llama 4، Qwen 4 — اعلیٰ معیار کی تیاری کو commoditize کرنا جاری رکھیں گے اور humanisers کو بڑے پیمانے پر چلانا سستا بنائیں گے۔ frontier ماڈلز پر پتہ لگانے کا AUC ریلیز کے بعد پہلے سال کے لیے شاید 0.80–0.90 بینڈ میں گر جائے اس سے پہلے کہ دوبارہ تربیت اسے درست کرے۔
دفاع کی طرف: ملٹی موڈل اشارے (ٹائپنگ کی حرکیات، ترمیمی تاریخ، ایک معلوم کارپس کے خلاف تصنیف کی توثیق) 24 مہینوں کے اندر خالص متن پر مبنی پتہ لگانے سے زیادہ اہم ہونے کا امکان ہے۔ ہمارا صرف متن والا ڈیٹیکٹر پہلا فلٹر رہے گا لیکن تیزی سے ایک امیر ثبوت کے ڈھیر میں ووٹنگ ممبر بن جائے گا۔
ایماندارانہ نچلی لائن: خالص متن پر مبنی پتہ لگانا کبھی 100% نہیں پہنچے گا۔ یہ in-distribution متن پر 90–95% AUC اور frontier ماڈلز پر 75–85% کے آس پاس پلاٹو کرے گا۔ اگر آپ کے ورک فلو کو یقین کی ضرورت ہے، تو آپ کو اسکور سے آگے ثبوت کی ضرورت ہے۔ اگر آپ کے ورک فلو کو انسانی جائزے کو ترجیح دینے کے لیے ایک مضبوط اشارے کی ضرورت ہے، تو متن پر مبنی پتہ لگانا مفید اور کچھ نہ کرنے سے قابل پیمائش طور پر بہتر رہتا ہے۔
یہ مضمون AI متن پتہ لگانے کی ساختی خصوصیات بیان کرتا ہے۔ مخصوص اعداد ہمارے اندرونی توثیق سے متعلق ہیں اور شاید عام نہ ہوں۔ ہم نئی تحقیق اور جنریٹر ریلیزز کی ضمانت کے مطابق اس صفحے کو اپ ڈیٹ کرتے ہیں۔
یوکرین کے ساتھ کھڑے ہو جاؤ!