Technical
技术深度
BERT 微调结构、Temperature Scaling 校准、二分类决策与基线对比。
Technical Summary
这一页讲清楚“为什么这套方法站得住”
这里不是重复方法页，而是把 BERT 编码结构、置信度校准、二分类判定 和基线对比拆开说明，回答“为什么不是别的方法”和“为什么结果可信”。
核心主干
BERT-base-chinese 微调分类器，负责文档级 Human / AI 判定。
关键增强
Temperature Scaling 校准输出概率，降低高置信度误判风险。
输出口径
当前线上固定输出 Human / AI，低置信样本进入人工复核提示。
架构
BERT 模型架构
基于 BERT-base-chinese 微调的分类器，12 层 Transformer Encoder 提取文本语义特征
12 Layers / 768 Hidden / 12 Heads / 110M Parameters
Input Text
中文文本输入
Tokenizer
BERT WordPiece 分词
Embedding Layer
Token + Position + Segment
12x Transformer Encoder
Multi-Head Attention + FFN
[CLS] Token Output
768维隐藏表示
Classification Head
Linear → Softmax → Human/AI
校准
Temperature Scaling 置信度校准
通过温度参数 T=0.8165 校准模型输出概率，使置信度与真实正确率对齐
ECE: 0.0168 → 0.0034（约 −80%）
原理
Temperature Scaling 对 logits 除以温度参数 T，再经 Softmax 得到校准后概率：
T < 1 使分布更尖锐（更自信），T > 1 使分布更平滑（更保守）。本模型最优 T=0.8165，表明原始输出偏保守，校准后适度增强置信度。
判定解释
句级复核示例
当前线上使用主分类器做 Human/AI 二分类，并在句级结果中辅助查看风险分布
线上输出: Human / AI
工作原理
当前线上不启用 Span Detector。系统先对整段文本输出 Human / AI 二分类， 再对切分后的句子复用主分类器做辅助判断，帮助查看哪些句子更接近 AI 风格。
Token 标注示例
今天天气很好，适合出去散步。阳光透过树叶洒落斑驳的光影，微风轻拂面颊。
HumanAI
对比
方法对比
本方案与主流 AI 文本检测方法的多维度对比（定性 + 口径说明）
基于中文 AI 文本检测场景归纳
| 方法 | 中文支持 | 线上口径 | 准确率 | 实时性 | 可解释性 |
|---|---|---|---|---|---|
| BERT微调 (本方案) | 原生支持 | Human / AI | 98.56% | ~50ms | 风险提示 + 句级结果 |
| GPTZero | 有限 | 概率/风险分 | ~85% | API延迟 | 困惑度分数 |
| DetectGPT | 需适配 | 检测分数 | ~80% | 慢 (多次采样) | 对数概率扰动 |
| 水印法 | 需嵌入 | 水印检测 | ~95% | 快 | 水印证据 |