GPT-5.5 vs Claude 4.6 vs Gemini 3.1: millist 2026. aasta AI-d on kõige raskem tuvastada?

2026. aasta mais domineerivad kolm juhtivat AI mudelit: GPT-5.5, Claude 4.6 ja Gemini 3.1. Kõik nad lubavad „inimlikku“ teksti ja igaüks jätab ainulaadse statistilise jälje.

Testisime 600 näidist, et teada saada, millist mudelit on kõige raskem kätte saada.

Kuidas me testisime

Toortulemustes on mudelid sarnased: GPT-5.5 (94% tabatud), Claude 4.6 (88% tabatud), Gemini 3.1 (92% tabatud). Claude 4.6 on endiselt veidi „nähtamatum“.

See varieerib paremini lausestruktuuri ja proosa rütmi. Selle tekst on perpleksuse ja varieeruvuse poolest kõige lähedasem inimese kirjutatule.

Peamised tulemused

Vaatamata sujuvusele säilitab see tugevad struktuursed mustrid ja argumentatsioonivormid, mida detektorid tunnevad ära diskursuse tasandil.

Toorväljundite tuvastamise täpsus

GPT-5.5-l on tugev diskursuse jälg, Gemini 3.1 paistab silma stiliomeetriliste omadustega, Claude 4.6 aga „puhtaima“ perpleksuse profiiliga.

Miks Claude 4.6 on raskemini tabatav

Ühe mudeliga detektorid muutuvad ebausaldusväärseks (näiteks eksivad need 50–60% juhtudest Claude 4.6 puhul). Ansambli detektorid, nagu Plagly, säilitavad täpsuse.

Miks GPT-5.5 on kergemini märgatav

Claude 4.6 on hetkel raskemini tuvastatav, kui ainult mõne protsendi võrra. Ansambli detektorid võidavad endiselt. Oluline on usaldada tööriista, mida pidevalt uuendatakse.

Signaalide analüüs

Pealkirja täpsuse numbrid varjavad suuremaid erinevusi selles, millistes funktsioonides käivitatakse päästiku tuvastamine. Klassifikaatorite skooride vaatamine räägib kasulikuma loo.

Diskursuse signaalid

GPT-5.5-l on kolmest tugevaim diskursuse sõrmejälg. Selle tasakaalustatud argumentide eelistamine, teatud üleminekufraaside liigne kasutamine ja kalduvus teha eelkokkuvõtteid muudavad selle kolmest piirimudelist kõige hõlpsamini lõigu tasemel märgatavaks – isegi kui üksikud laused läbivad ühe mudeli detektoreid.

Stülomeetrilised signaalid

Gemini 3.1 juhib stülomeetriliste näidikute osas. Selle väljundid näitavad eristavaid mustreid määrsõna sageduses, passiivses häälekonstruktsioonis ja klauslitaseme rütmis. Need funktsioonid on sügavalt seotud Google'i treeningandmete kureerimisega ja mudelil on osutunud raskeks neid maha suruda ilma sujuvalt kaotamata.

Hämmelduse signaalid

Claude 4.6-l on kõige puhtam segadusprofiil – selle väljundid on kõige lähemal inimese kirjutatud lähtejoontele. See teebki ühe mudeli segadusdetektorite tabamise kõige raskemaks. Kuid Claude 4.6-l on endiselt mõõdetavad sõrmejäljed ja diskursuse funktsioonid, miks säilitavad ansamblidetektorid selle täpsuse, kui lihtsamad tööriistad ebaõnnestuvad.

Võistlevad tingimused: kui asjad lähevad raskemaks

Suurem lõhe mudelite vahel ilmneb võistlevates tingimustes. Pärast iga mudeli väljundi käivitamist humanisaatori kaudu testisime uuesti:

• GPT-5.5 + humanisaator: 72% tabatud.
• Claude 4.6 + humanisaator: 64% tabatud.
• Gemini 3.1 + humanisaator: 70% tabatud.

Claude 4.6 edumaa töötlemata tingimustes suureneb veelgi, kui humaniseerija pildile siseneb – kuid isegi kõige vastuolulisemas olukorras on suurem osa Claude 4.6 väljundist endiselt märgistatud. Arusaam, et ükski neist mudelitest suudab usaldusväärselt kõrvale hiilida kaasaegsetest ansambeldetektoritest, ei vasta andmetele.

Miks see on oluline 2026. aastal

Mudelisõjad kiirenesid 2025. aasta lõpus ja 2026. aastal, kui OpenAI tarnis GPT-5.5, et saavutada hüppeline Claude'i vargsi eelis, Anthropic reageeris Claude 4.6 proosarütmi täiustustega ja Google surus Gemini 3.1-le, et sujuvuspuudujääk sulgeda. Avastamise seisukohast on praktilised tagajärjed lähenemas.

Ühe mudeli detektorid muutuvad üha ebausaldusväärsemaks

Kõigi kolme mudeli puhul on ühe klassifikaatoriga detektorid kõige haavatavamad. Pelgalt perpleksusel (sõna- ja lausekeerukusel) põhinev tööriist, mis töötas hästi GPT-3.5 puhul, liigitab nüüd Claude 4.6 väljundi valesti 50–60% juhtudest. Samamoodi ebaõnnestub ka pelgalt varieeruvusel (burstiness) põhinev tööriist. Mitme mudeliga ansamblid säilitavad täpsuse, kuna ükski mudel ei pea üksi kogu tööd tegema.

Pidev genopläring (ümberõpe) on olulisem kui ükski konkreetne algoritm

Plagly.ai Agentic Council koolitab oma sõrmejäljemoodulit pidevalt ümber iga juhtiva piirimudeli värskete väljundite põhjal. Tuvastamise täpsus Claude 4.6 puhul on pärast käivitamist tõusnud umbes kuus protsendipunkti, kuna mudeli stiilimustrid said treeningandmetes paremini esindatud — see muster kordub iga uue mudeliväljalaskega.

Mis saab edasi: Claude 5, GPT-6, Gemini 4

Kõik kolm arenduslaborit on avalikult andnud märku järgmise põlvkonna väljalasetest läbi 2026. aasta ja 2027. aastasse. GPT-5.5/Claude 4.6/Gemini 3.1 tsükli põhjal on oodata järgmist: järjekordne ajutine tuvastamistäpsuse langus kõigis tööriistades iga suurema väljalaske ajal, kiirem taastumine ansamblitoodete puhul ning jätkuvalt suurenev lõhe kaasaegsete mitme mudeliga detektorite ja vananenud ühe klassifikaatoriga toodete vahel.

Pikaajalisem võidurelvastumine soosib tuvastamist — veidi. Iga LLM põlvkond vähendab pindmisi stilistilisi tunnuseid, kuid ei suuda kergesti kõrvaldada sügavamaid struktuurseid mustreid, mis tulenevad sellest, et mudelit on treenitud järgmise märgise ennustajana (next-token predictor) interneti-taseme andmetel. Need mustrid ongi need, mida hästi kavandatud detektorid õpivad lugema, ja see on kiht, mis elab üle mudelivärskendused.

Kokkuvõte

Claude 4.6 on praegu kolmest piirimudelist kõige raskemini tuvastatav — kuid ainult mõne protsendipunkti võrra ja seda ainult ühe mudeliga detektoritega mõõtes. Mitme mudeliga ansamblid märgistavad endiselt enamiku kõigi kolme mudeli väljunditest ning vahe väheneb iga detektori ümberõppe ringiga edasi. Õige küsimus 2026. aastaks ei ole „millist mudelit saan kasutada tuvastamise vältimiseks?“, vaid „millist detektorit saan usaldada täpse lugemi andmiseks?“. Vastus sellele küsimusele — ansambel, mitme mudeliga, pidevalt ümberõpetatud — pole kunagi olnud selgem.