arXiv cs.CL· Bhaskar Ganesh Devalla, Junchao Wu, Nilesh Dokuparthi, Greeshma Yaluru, Tatiana Muniz Rodriguez, Lidia S. Chao, Derek F. Wong·· 11 小时前AI 评分24
IndicDetect：面向印地语、泰卢固语和泰米尔语的跨语言 LLM 生成文本检测基准
IndicDetect: Evaluating Cross-Lingual LLM-Generated Text Detection for Hindi, Telugu, and Tamil
AI 导读
研究者提出 IndicDetect，一个针对印地语、泰卢固语和泰米尔语的 LLM 生成文本检测基准，用于在真实分布偏移下评估检测器鲁棒性。该基准覆盖领域偏移、生成器偏移和对抗扰动，测试了多种统计与神经检测器：有监督神经检测器在分布内表现良好，免训练方法在未见生成器和对抗攻击下显著退化，其中印地语在对抗扰动下退化最严重。结果表明现有检测器在 Indic 场景的主要短板是鲁棒性而非峰值准确率。
正文 · AI 翻译
摘要：LLM 的快速普及进一步加剧了对可靠 AI 生成文本检测的需求，尤其是在英语之外。然而，现有基准很少关注印度语言，并且是在不代表现实世界的理想化设置中测试检测器。我们提出了一个用于印地语、泰卢固语和泰米尔语 AI 生成文本检测的通用基准，称为 IndicDetect，旨在评估检测器在真实分布偏移下的鲁棒性。IndicDetect 包含经过精心筛选的人工撰写文本，并与跨多个领域和生成器的 LLM 生成对应文本相匹配，并系统评估检测器在领域偏移、生成器偏移和对抗扰动存在时的表现。我们使用单一且可重复的评估方案，评估了广泛的统计和神经检测器。我们发现存在严重的鲁棒性缺陷：有监督神经检测器在分布内表现良好，而无训练方法在未见过的生成器和对抗攻击下显著退化。这些缺陷的严重程度因语言而异，印地语在对抗扰动下表现出最大的整体退化。这些结果表明，现有检测器在印度语言环境中的主要弱点在于鲁棒性，而非峰值准确率。IndicDetect 提供标准数据划分、评估协议和基线，为印度文字中的 AI 生成文本检测建立稳健、语言感知的基础。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.29919 [cs.CL] |
| （或使用 arXiv:2608.29919v2 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.29919 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bhaskar Ganesh Devalla [查看电子邮件]
[v1]
2026年8月30日星期日 17:21:55 UTC（2,145 KB）
[v2]
2026年10月16日星期五 16:26:48 UTC（1,779 KB）
来源：arXiv cs.CL · arxiv.org