Skip to content
Proyectos

Gx664/AIGC has 40 GitHub stars and 1 forks. GitHot measured +1 stars in 24 hours and +4 in 7 days. Last checked 2026-11-22 12:21 UTC. Last push 2026-10-24.

Cómo se miden estas cifras

Crecimiento de estrellas medido

in 24h
+1
in 7 days
+4
in 15 days
Recopilando historial
in 1 month
Recopilando historial

Cambios netos en períodos que se solapan, no totales diarios. Los datos no disponibles se dejan en blanco. Las estrellas indican interés, no calidad.

Acerca de

免费的本地 AI 率 / AIGC 检测工具箱:拖入论文(PDF/DOCX/TXT)即出整篇 AI 生成占比与段落级高亮,并给出 AI 降重闭环。全程离线推理、论文不上传。9 项方法:SimpleAI 中文 / GLTR 困惑度 / Fast-DetectGPT / DetectGPT / Binoculars。Free, private, offline AI-text detector for theses.

Aprendizaje automático

README.md

Original

AI 检测工具箱(AIGC Detector Toolkit)

AI 检测工具箱

中文 | English

⛔ 禁止商业使用(Noncommercial only) 本项目源码公开,但禁止任何形式的商业使用 —— 个人学习 / 研究 / 非营利组织使用免费, 采用 PolyForm Noncommercial License 1.0.0。商用请先联系作者获得书面授权。 详见 开源协议。

免费的本地 AI 率检测 —— 宿舍算力也能跑,论文不上传,结果在自己手里。

📖 从这里开始

只想安装使用的话,下面对应你系统的那一个文件就够了,其余文件都不用管。

📦 下载与安装

三个平台的成品都在 Releases 页面 的 Assets 里,按你的系统挑一个:

你的系统 下载这个文件 怎么装
Windows 10 / 11 AIGC_Toolkit_Setup.exe(约 22 MB) 双击 → 选安装目录 → 开始安装
Linux(x86_64) AIGC_Toolkit-x.y.z-x86_64.AppImage(约 88 MB) 先 chmod +x,再双击(或命令行运行)
macOS(Apple 芯片) AIGC_Toolkit-x.y.z-macos-arm64.dmg(约 62 MB) 打开 dmg → 拖进「应用程序」→ 首次要手动放行一次,见下方说明

首次启动都会弹引导窗口,自动下载运行组件(约 0.2 GB,国内镜像加速,不需要 VPN): 有 NVIDIA 显卡会问你选 CUDA 还是 CPU 版,没有则自动用 CPU 版。装好之后完全离线可用。

Windows 装完直接双击桌面图标即可。 Linux / macOS 的组件装在你的用户目录(Linux ~/.local/share/AIGC_Toolkit,macOS ~/Library/Application Support/AIGC_Toolkit), 不写系统目录;卸载时删掉 App 本体和这个目录就行。

Linux 用户:两件要知道的事
  • AppImage 需要 libfuse2(Ubuntu 22.04+:sudo apt install libfuse2)。 装不了也没关系,加环境变量照样跑:APPIMAGE_EXTRACT_AND_RUN=1 ./AIGC_Toolkit-*.AppImage
  • 首次运行会往用户目录复制一份运行时再装依赖 —— AppImage 每次挂载点都不一样, 而且镜像是只读的,就地装依赖下次启动就失效。桌面快捷方式会自动创建。
macOS 用户:未签名 + 只出 Apple 芯片版

本项目没有购买苹果开发者签名证书,产物未签名,所以第一次打开会被系统拦下。放行一次之后就正常了。

macOS 15 Sequoia / 26 Tahoe 及更新版本 —— 必须走系统设置:

  1. 在「应用程序」里双击 AIGC_Toolkit,弹出拦截提示后点「完成」(千万别点「移到废纸篓」)
  2. 打开 系统设置 → 隐私与安全性,向下滚到底部的「安全性」一节
  3. 点「仍要打开」,输入登录密码或用 Touch ID 确认
  4. 再启动一次即可,以后正常双击

⚠️ 「仍要打开」按钮只在你刚才启动失败后的约 1 小时内出现。看不到按钮就再双击一次 App,然后立刻回到设置页。

macOS 14 及更早版本:按住 Control 点 App(或右键)→ 选「打开」→ 再点一次「打开」。

任何版本都通用的终端方式(最省事,复制粘贴即可):

xattr -dr com.apple.quarantine /Applications/AIGC_Toolkit.app
  • 看到「AIGC_Toolkit 已损坏,应该移到废纸篓」不用慌 —— 这是未签名 + 网络下载标记(quarantine)导致的误导性提示,文件本身没坏,按上面的方法放行即可。
  • 目前只发布 Apple 芯片(arm64) 版;Intel 芯片的 Mac 请从源码运行,见 仓库文件说明.md。

💡 也可以从源码直接运行(python app/main.py),详见 仓库文件说明.md(English)。

✨ 功能介绍

能力 说明
整篇 AI 率检测 拖入 PDF / DOCX / TXT 论文,直接给出整篇 AI 生成占比
段落级定位 逐段输出 AI 概率,红色高亮最可疑的段落,照着改就行
检测 → 诊断 → 降重闭环 先诊断 11 种 AI 痕迹(段落级 JSON 报告),再按「三轮降重协议」做确定性改写,降重 ≠ 口语化,守住学术书面语体
自动降重 改写后本地复检,没降到目标 AI 率就继续改,循环到达标为止
8 个检测引擎 SimpleAI 中文(默认)、AIGC 中文检测 v3、GLTR 困惑度、中文困惑度(GPT2-Chinese)、Fast-DetectGPT、DetectGPT、Binoculars、PAN ModernBERT(英文);也可接入任意 HuggingFace 模型
模型按需下载 软件不预置模型,用哪个下哪个;下载一次后完全离线运行
评测基准 内置 RAID / MGTBench:用带标注样本测出准确率、假阳性率、按生成模型分项;可导入官方数据集子集
全程离线 推理全在本机跑,论文不上传任何平台;模型下载一次后就断网可用
多设备算力合并 同机多显卡自动并行;局域网内可把室友的电脑、Pad、手机并入并行计算
模型路径可自定义 模型可放任意磁盘(如 D 盘),装在 C 盘也不占空间,重装软件不影响已下载的模型
参数高度自定义 判定阈值、段落切分、并行数等均可调;预设可存档、导出、导入
中英双语 软件界面与安装器均支持一键切换 中文 / English

简介

一款本地运行的 AIGC 检测桌面工具:拖入论文(PDF / DOCX / TXT),选择检测引擎,即可得到整篇 AI 生成占比与段落级报告。

  • 全程离线推理:检测模型本地下载一次,论文内容不会上传给任何平台,保护隐私
  • 模型保存路径可自定义:模型可存到任意磁盘(如 D 盘),装在 C 盘也不怕占空间;重装软件不影响已下载的模型
  • 8 个检测引擎:SimpleAI 中文(默认)、AIGC 中文检测 v3、GLTR 困惑度、中文困惑度(GPT2-Chinese)、Fast-DetectGPT、DetectGPT、Binoculars、PAN ModernBERT(英文),也支持任意 HuggingFace 模型
  • 模型按需下载:软件不预置模型,用哪个下哪个,下载一次后完全离线可用
  • 评测基准:内置 RAID / MGTBench,用带标注样本给自己的检测结果做体检(准确率、假阳性率、按生成模型分项)
  • 参数高度自定义:判定阈值、段落切分、并行数等均可调整,预设可存档、导出、导入
  • 多设备算力合并:同一台机器多显卡自动并行;局域网内可把室友的电脑、Pad、手机都加入并行计算
  • 检测 → 诊断 → 治疗闭环:检测出 AI 率后,本地规则引擎诊断 AI 痕迹(段落级 JSON 报告), 再按“三轮降重协议”做保学术语体的确定性降重
  • 中英双语:软件界面与安装器均支持一键切换 中文 / English
  • 个人免费:预留收费接口,个人非商业用途永远免费,禁止任何形式的商业使用

检测 → 诊断 → 治疗(v1.1 新增)

检测只是第一步。本项目融合了两个 MIT 开源项目的方法论,形成完整闭环,全部本地运行、不调用任何外部 AI:

诊断(本地规则引擎)

扫描以下三类信号,输出段落级结构化 JSON 报告(可导出):

类别 内容
9 维特征扫描 模板句式密度、突发性(句长变异系数 CV)、段落对称性、被动语态、嵌套编号、冒号并列、标点规律、口语化预警、破折号密度(后两项是“降重过度”门禁,守学术语体)
知网 5 种语言模式 句法节奏可预测性、信息密度均匀性、术语句法位置固定、连接词功能重叠、模板段功能全等性
11 种深度 AI 痕迹 重要性膨胀、同义词轮换、三板斧强迫症、系词回避、模糊归因、公式化挑战段、悬浮式分析、空洞结论、破折号过度使用、虚假范围、成对转折收束

每一段都会给出:风险等级、命中的模式与证据片段、逐句标记、建议动作。

治疗(三轮降重协议,确定性改写)

  1. 第一轮(减法):先圈出受保护片段(引用编号、图表/公式编号、数据/百分比/P 值、专业术语、引语,一字不动),再做词级替换(中文 AI 高频词,多个变体轮换)、句级重构、拆排比/编号;
  2. 第二轮(加法):节奏工程——确定性长句拆分(目标 CV ≈ 0.45),绝不编造原文没有的事实、数据或文献;
  3. 第三轮(自检):Anti-AI 审计 + 语体守门——口语化/网络用语必须改回书面学术表达,破折号每段 ≤1 个,语体优先于修改率。

四条铁律全程生效:禁止 AI 全量重写、修改率 >40% 只靠结构改写与模板去除、确定性替换、保持学术语体。

检测完成后,如果整篇 AI 率超过你设置的阈值(默认 30%,可改),软件会弹出建议进入降重;也可以随时点「开始降重」。

灵感故事

这个项目的灵感来自我的一位大学生朋友。

他的毕业论文需要反复查 AI 率——每改一版都要查一次,学校提供的官方检测入口不仅次数有限,而且相当费钱。听着他的抱怨,我冒出一个想法:宿舍里总会有人打游戏,游戏电脑基本都有独立显卡,完全跑得动本地 AI 检测;一张显卡不够,还能用数据线 / 局域网把室友的电脑连起来,甚至把 Pad、手机 也加进来合并算力。

于是就有了这个项目:让论文检测回归本地、免费、可控。

集成的 12 项方法(全部已实现,不是纸面引用)

本项目不是自创检测算法,而是把以下经过学术评审的方法全部落地成可运行的引擎或评测模块,分「检查 / 修复 / 评测」三类。模型不预置,用到哪个下哪个。

检查引擎(8 个 · 判断文本是否 AI 生成)

项目 / 论文 在本项目里怎么实现的 链接
SimpleAI / HC3(默认中文引擎) RoBERTa 序列分类模型,逐段输出 AI 概率;论文《How Close is ChatGPT to Human Experts?》 arXiv · GitHub
GLTR 语言模型困惑度:PPL ≤ 低阈值判 0.85、≥ 高阈值判 0.15,中间线性插值;MIT 出品,NeurIPS 2019 arXiv · GitHub
Fast-DetectGPT 按论文的条件概率曲率实现:用打分模型自身采样构造扰动样本 x̃,比较 logP(x) − E[logP(x̃)];ICLR 2024 arXiv · GitHub
DetectGPT 按论文的掩码扰动实现:T5 补全随机挖掉的片段得到 x̃,比较对数概率曲率;零样本,斯坦福,ICML 2023 (Oral) arXiv · GitHub
Binoculars 同词表双模型交叉困惑度比 B = logPPL_observer / crossPPL_performer,B 越小越像 AI;只看比值,免调阈值;ICML 2024 arXiv · GitHub
AIGC 中文检测 v3(v1.3.4 新增) 中文 BERT 序列分类器,训练语料为升级版 HC3 中文数据;HuggingFace yuchuantian/AIGC_detector_zhv3,约 409 MB,Apache-2.0 HuggingFace
PAN ModernBERT-large(v1.3.4 新增) 来自 PAN 2026 评测(Team DACTYL);HuggingFace ShantanuT01/vanguard-ai-text-detector,约 1.58 GB,MIT,面向英文文本 HuggingFace
中文困惑度(GPT2-Chinese)(v1.3.6 新增) 中文 GPT2 困惑度检测:HuggingFace uer/gpt2-chinese-cluecorpussmall;阈值经 HC3 标定,判据为 FPR≤5% 下的准确率 HuggingFace

修复引擎(2 个 · 诊断 + 降重 · 内置规则,不需要下载模型)

项目 在本项目里怎么实现的 链接
aigc-reduce 三轮降重协议完整落地:9 维扫描 + AI 高频词替换表 + 口语化负面清单 + 受保护片段,确定性改写、语体守门。规则来自知网 3.0 / 万方 / PaperPass / PaperPure 的检测原理 GitHub
cnki-aigc---skill 知网 5 种语言模式(句法节奏 / 信息密度 / 术语句法位置 / 连接词功能 / 模板段功能)落地为段落级诊断,输出结构化 JSON;该做法实测 20.6% → 10.1% GitHub

评测基准(2 个 · 给检测器做体检)

项目 / 论文 在本项目里怎么实现的 链接
RAID 可运行的评测模块:拿带标注样本跑出准确率、假阳性率(人类文章被判成 AI 的比例)、假阴性率,并按生成模型分项;ACL 2024,600 万+ 条文本 arXiv · ACL · GitHub
MGTBench 同一套样本上算精确率 / 召回率 / F1,横向比较不同检测器;首个面向 LLM 的检测基准框架 arXiv · GitHub

两个基准都支持导入官方数据集子集(CSV / JSONL)跑真实评测,也能导出 Markdown 报告。 内置那 15 条只是作者手写的快速自检集,不代表官方成绩。

另外,「深度 AI 痕迹」清单源自 Wikipedia “Signs of AI writing”(WikiProject AI Cleanup 维护),经 aigc-reduce 本地化适配。

声明:检测效果受模型与文本类型影响,结果仅供自测参考,不代表任何权威机构结论;请以学校 / 期刊官方认定为准。

扩展:换模型 / 加新引擎(不用重新打包)

  1. 换模型:安装目录下建 engines_catalog.json,写你要覆盖的字段即可,例如把 Binoculars 换成 Falcon 组合:
    [{"id": "binoculars", "models": [{"repo": "tiiuae/falcon-7b"}, {"repo": "tiiuae/falcon-7b-instruct"}]}]
    
  2. 加新算法:往 engines_plugins/ 丢一个 .py,用 @register("my_impl") 声明并实现 predict_paragraphs(),启动时自动发现。
  3. 远端清单:引擎管理 →「检查更新」→ 填 engines_manifest.json 的地址,以后有新引擎 / 新模型直接拉取,无需升级软件。

特别感谢(算力合并)

本项目"多设备并行检测"借鉴了以下两个开源项目的思路:

  • exo(exo-explore/exo,GitHub 约 4.6 万 star):把日常设备(手机、Pad、笔记本、游戏主机)组成 P2P 分布式 AI 集群,自动发现设备、动态切分模型,用普通家用设备跑大模型。
  • llama.cpp(ggml-org/llama.cpp):最受欢迎的本地 LLM 推理框架之一,其 RPC 分布式推理 可在异构设备(如 Mac Metal + NVIDIA CUDA)间切分模型层,是本项目困惑度类引擎跨设备计算的参考方案。

感谢以上项目及其社区,让"宿舍算力合并"成为可能。

特别感谢(诊断与治疗)

“检测 → 诊断 → 治疗”闭环直接融合了以下两个 MIT 开源项目的方法论:

  • aigc-reduce(xiaofenggan01/aigc-reduce):提供三轮降重协议、替换表、中文 AI 高频词清单、口语化负面清单与 9 维扫描方法论。本项目降重引擎完全按其规则实现,坚持“降重 ≠ 口语化”,保持学术书面语体为硬底线。
  • cnki-aigc---skill(qingshanliuci/cnki-aigc---skill):基于知网 AIGC 检测器“5 种语言模式”的实战方法(实测 20.6% → 10.1%)。本项目诊断引擎按其模式实现。

感谢两位作者与相关社区,让"检测、诊断、治疗"的完整流程成为可能。

支持 · Support

这个项目对个人完全免费。如果它对你有一点帮助,可以把项目分享给需要的同学、点个 ⭐ Star,同样是最好的支持。

⚠️ 本项目禁止任何形式的商业使用。 个人学习、研究、交流免费;如需商用请先联系作者获得书面授权。

💬 反馈 / 意见 / 合作都欢迎联系:[email protected]

技术架构

  • 界面:Python + PySide6(自绘现代工具风 UI)
  • 检测引擎:transformers —— 8 个可切换引擎(分类 / 困惑度 / 概率曲率 / 双模型),模型按需下载、全程离线推理
  • 诊断:本地规则引擎(9 维扫描 + 知网 5 种语言模式 + 11 种深度 AI 痕迹,段落级 JSON)
  • 治疗:三轮降重协议(确定性改写 + 受保护片段 + 语体守门,完全离线)
  • 评测:RAID / MGTBench 指标(准确率 / 假阳性率 / 假阴性率 / F1,按生成模型分项)
  • 扩展:引擎插件目录(engines_plugins/*.py)+ 可远端更新的引擎清单
  • 多设备:同机多卡自动并行 + 局域网主从节点(UDP 自动发现 + TCP 任务分发)
  • 日志:本地运行日志(可导出,不含论文内容);不含任何遥测上报
  • 打包:小体积安装器,运行时环境按需下载(先检查、缺什么装什么、带进度条)

Bug 反馈

软件内点击「导出日志」打包日志后,发送至:[email protected]。

反馈 / 意见 / 合作都欢迎联系。

开源协议

本项目的代码公开,但禁止商业使用。 采用 PolyForm Noncommercial License 1.0.0。

✅ 允许

  • 个人学习、研究、实验、测试
  • 个人爱好项目、私人娱乐
  • 学校、非营利组织、政府机构等非商业组织内部使用
  • 阅读源码、提交 Issue、提出改进建议
  • 在保留协议与署名的前提下转载、分享

❌ 禁止

  • 任何商业用途(含公司内部使用、为客户提供服务、SaaS 托管等)
  • 转售软件或修改后的版本
  • 去除或篡改作者署名、版权声明
  • 将本项目的代码 / 模型用于训练商业产品

如需商业授权

请邮件联系 [email protected],说明用途与范围。

本协议限制的是他人的商业使用,不影响作者本人对项目收费或提供商业授权。

Explorar proyectos relacionados

Cargando…