VaryBalance: 34 % bessere Erkennung von LLM-Texten

Die Erkennung von Texten, die von großen Sprachmodellen (LLMs) generiert wurden, ist ein zentrales Thema in der KI‑Sicherheit. Traditionelle Detektoren stützen sich oft auf unrealistische Annahmen wie White‑Box‑Zugriff oder nutzen ausschließlich textbasierte Merkmale, was die Genauigkeit einschränkt. In einer neuen Studie wird ein einfaches, aber wirkungsvolles Verfahren namens VaryBalance vorgestellt, das diese Grenzen sprengt.

VaryBalance basiert auf einer klaren Beobachtung: Wenn ein menschlicher Text von einem LLM neu formuliert wird, entsteht ein deutlich größerer Unterschied zu dem Original als bei rein menschlich verfassten Texten. Das Verfahren misst diese Variation mithilfe der mittleren Standardabweichung und nutzt sie, um zwischen menschlichen und LLM‑generierten Texten zu unterscheiden. Durch diese Variation‑basierten Merkmale kann VaryBalance die Erkennungsleistung erheblich steigern.

In umfangreichen Experimenten übertrifft VaryBalance den aktuellen Stand der Technik, insbesondere den Detektor Binoculars, um bis zu 34,3 % in Bezug auf den AUROC‑Wert. Darüber hinaus bleibt die Methode robust gegenüber verschiedenen LLM‑Modellen und Sprachen, was sie zu einer vielseitigen Lösung für die Praxis macht. Diese Fortschritte markieren einen bedeutenden Schritt in Richtung zuverlässigerer Textauthentizität in einer zunehmend KI‑geprägten Welt.