2025_NIPS_Zero-Shot Detection of LLM-Generated Text via Implicit Reward Model

文章核心总结

主要内容

该研究针对LLM生成文本检测问题，提出零样本检测方法IRM（Implicit Reward Model）。IRM利用公开可得的指令微调模型和基础模型构建隐式奖励模型，通过计算文本在两个模型上的概率比值对数作为奖励分数，实现对LLM生成文本的检测（分数越高越可能是LLM生成）。在DetectRL基准测试中，IRM（基于Llama-3.2-1B家族）平均准确率达91.77%，优于现有零样本方法和有监督方法（如ReMoDetect），且在跨领域、跨模型、抗攻击等场景下表现出强鲁棒性。

创新点

1. 无需偏好数据收集和额外训练，直接利用现有公开模型构建检测所需的隐式奖励模型，简化检测流程。
2. 基于Direct Preference Optimization（DPO）理论，推导奖励分数计算方式，实现模型无关的检测指标，提升对未见过的LLM生成文本的泛化能力。
3. 无需扰动文本，避免额外计算成本，同时在轻量化模型上实现高效且高精度的检测，兼顾实用性和性能。

---

翻译部分（Markdown格式）

Abstract

大语言模型（LLMs）在各类任务中展现出卓越能力，但它们生成类人文本的特性引发了潜在滥用风险。这凸显了开发可靠、有效的LLM生成文本检测方法的必要性。本文提出IRM，一种新颖的零样本检测方法，其利用隐式奖励模型（Implicit Reward Model）实现LLM生成文本