Liam Dugan, Callum McDougall, Matthew Denton, Philip Pham, Christine Kaeser-Chen, Chris Callison-Burch · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30006 · open-access PDF
AI-generierte Textdetektoren werden zunehmend in konsequenten Einstellungen eingesetzt – Peer-Review, Bildung, Zulassungen, Journalismus und Content-Moderation – wo ihre Ausgaben unmittelbar auf Einzelpersonen auswirken. Dennoch sind die stärksten Detektoren fein abgestimmte neuronale Klassifizierer, deren Entscheidungen opaque sind, während transparente Alternativen (stylometrische und sprachliche Feature-Klassifizierer) sie weit unterschreiben. Wir präsentieren eine Pipeline, die einen fein abgestimmten neuronalen Detektor in einen Klassifizierer umwandelt, der auf menschlich lesbaren Konzepten arbeitet.
Machine translation (Meta M2M100); the English original follows.
AI-generated text detectors are increasingly deployed in consequential settings---peer review, education, admissions, journalism, and content moderation---where their outputs directly affect individuals. Yet the strongest detectors are fine-tuned neural classifiers whose decisions are opaque, while transparent alternatives (stylometric and linguistic-feature classifiers) underperform them by wide margins. We present a pipeline that converts a fine-tuned neural detector into a classifier that operates on human-readable concepts. We accomplish this by training sparse autoencoders (SAEs) directly
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30006, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange