arXiv cs.CY· Sichang Steven He, Calvin Ardi, Ramesh Govindan, Harsha V. Madhyastha·· 11 小时前AI 评分60
DeGenTWeb：首次系统测量以机器生成文本为主的网站
DeGenTWeb: A First Look at MGT-dominant Websites
AI 导读
DeGenTWeb 提出一套系统识别 MGT 主导网站的方法，把 MGT 检测器适配到网页，并聚合站点内多页结果做站点级判定，将人类撰写站点误标为 MGT 主导的比例仅 0.12%。
正文 · AI 翻译
摘要：许多新闻报道声称，来自大语言模型（LLM）的机器生成文本（MGT）正在接管网络。然而，这些说法通常并非基于具有代表性的网络样本，其背后的方法论也往往不透明。因此，我们对 MGT 在网络上的真实普及程度和特征缺乏了解。
我们描述了 DeGenTWeb，它系统地识别以 MGT 为主的网站：即信息性散文内容大多为 MGT、人类输入很少的网站。我们展示了如何调整 MGT 检测器以用于网页，以及如何汇总网站上多个页面的检测结果，以实现准确的站点级分类。DeGenTWeb 仅将 0.12% 的人类撰写网站误标为以 MGT 为主。我们发现，在 2026 年 1 月至 7 月期间被 Common Crawl 归档的网站中，有 20.9% 是以 MGT 为主的网站；在 2025 年 Bing 搜索结果所链接的网站中，这一比例为 13.6%。这些数字是以 MGT 为主网站普及率的下界。我们还发现，以 MGT 为主的网站所占比例随时间增长，且许多此类网站拥有相同的所有者。我们将在发表后发布所有代码和数据。
| 评论： | 投稿中；13 页，8 幅图 |
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；计算机与社会（cs.CY）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.00087 [cs.NI] |
| （或本版本的 arXiv:2605.00087v2 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2605.00087 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sichang He [查看电子邮件]
[v1]
2026 年 4 月 30 日星期四 17:54:35 UTC（994 KB）
[v2]
2026 年 10 月 26 日星期一 18:38:07 UTC（1,915 KB）
来源：arXiv cs.CY · arxiv.org