Kai 2025 m. pradžioje bendrovė „DeepSeek“ atvėrė savo pavyzdinio samprotavimo modelio DeepSeek-R1 išeities kodą, tai sukėlė esminį perversmą dirbtinio intelekto srityje. Nors standartiniai autoregresiniai LLM (tokie kaip GPT-4o ar „Claude 3.5 Sonnet“) numato tolesnius žodžius tiesioginio priekinio perdavimo būdu, „DeepSeek-R1“ skiria milžiniškus skaičiavimo resursus išvesties metu (angl. test-time compute) apmąstymams, mąstymo grandinių (angl. chain-of-thought) kūrimui, savikorekcijai ir loginių išvadų patikrinimui prieš pateikdamas galutinį tekstą.
Universitetų dėstytojams, mokslo žurnalų redaktoriams, atitikties komandoms ir atrankos komisijoms šis architektūrinis pokytis iškėlė skubų klausimą: Ar galima atpažinti „DeepSeek R1“ tekstą, kai pašalinamos neapdorotos <think> žymos? Ar samprotavimo procesas paverčia DI tekstą neatskiriamu nuo žmogaus ranka rašyto darbo, ar vis dėlto apmąstymų procesas palieka neištrinamus matematinius ir struktūrinius skaitmeninius atspaudus?
Glausta santrauka
Taip, „DeepSeek-R1“ tekstas yra patikimai atpažįstamas. Nors R1 pasižymi didesniu leksiniu perpleksiškumu nei GPT-4 (tai reiškia, kad atskirų žodžių pasirinkimas yra mažiau nuspėjamas), pastiprinamuoju mokymusi paremtas samprotavimo ciklas generuojamame tekste suformuoja standžius struktūrinius artefaktus: silogistinį pastraipų ritmą, nenatūralią argumentų simetriją ir specifinius svarstymo žymeklius. Lyginamuosiuose 1 200 pavyzdžių vertinimuose šiuolaikiniai daugiaryšiai detektoriai išvalytą R1 tekstą identifikuoja 97,4 % tikslumu.
Samprotavimo architektūra: kodėl R1 skiriasi nuo standartinių LLM
Norint suprasti, kaip atpažinti „DeepSeek-R1“, reikia perprasti jos mokymo principą. Ankstesni modeliai daugiausia rėmėsi prižiūrimu tikslinimu (SFT) — imituodami žmonių anotuotus atsakymus —, o „DeepSeek“ apmokė R1 naudodama Group Relative Policy Optimization (GRPO). Šis pastiprinamojo mokymosi algoritmas skatina loginį teisingumą, matematinį patikrinimą ir vidinį nuoseklumą, o ne vien pokalbio sklandumą.
Kai R1 generuoja tekstą, vyksta dviejų etapų procesas:
- Vidinė mąstymo grandinė (paslėptasis sluoksnis): modelis sugeneruoja šimtus ar tūkstančius samprotavimo žetonų, apgaubtų
<think>...</think>žymomis, tyrinėdamas hipotezes, atmesdamas aklavietes ir kurdamas įrodymų medžius. - Galutinė sintezė (matomas tekstas): modelis paverčia savo vidinį įrodymą aiškiu tekstu. Net kai naudotojai prieš pateikdami darbą ištrina samprotavimo bloką, matomas tekstas išlaiko paslėpto proceso dedukcinę architektūrą ir retorinį tempą.
Atpažinimo matematika: perpleksiškumas prieš sakinių netolygumą
Šiuolaikinis DI atpažinimas nesiremia draudžiamų žodžių sąrašais. Vietoj to jis vertina dvi fundamentalias statistines teksto savybes: perpleksiškumą (Perplexity) ir sakinių ilgio netolygumą (Burstiness).
1. Žetonų perpleksiškumas (PPL): perpleksiškumas matuoja matematinį sekos netikėtumą. Formaliai N žetonų tekstui perpleksiškumas apibrėžiamas taip: PPL = exp(-1/N * sum(log P(w_i | w_1...w_{i-1}))). Standartinis GPT-4 tekstas telkiasi siauroje, nuspėjamoje perpleksiškumo juostoje (žemas PPL, paprastai 25–32). Kadangi „DeepSeek-R1“ tyrinėja kelias samprotavimo šakas, jos žodynas yra platesnis, todėl perpleksiškumas yra didesnis (PPL 42–52), o tai lengvai suklaidina pasenusius 2023 m. detektorius.
2. Teksto netolygumas (variacijos koeficientas, Burstiness): netolygumas kiekybiškai įvertina sakinių ilgio variaciją ir sintaksinį tempą. Jis apskaičiuojamas kaip sakinių ilgių variacijos koeficientas: CV = sigma / mu, kur sigma yra standartinis nuokrypis, o mu — vidutinis sakinio ilgis. Natūralus žmogaus rašymas pasižymi dideliu netolygumu (CV: 0,65–0,90), laisvai kaitaliojant trumpus 4 žodžių teiginius ir sudėtingus 40 žodžių sakinius. „DeepSeek-R1“, nepaisant didelės žodyno entropijos, demonstruoja stebėtinai vienodą sakinių ritmą (CV: 0,38–0,42).
Empirinis lyginamasis tyrimas: 1 200 pavyzdžių vertinimas
2026 m. rugsėjį „Plagly“ tyrimų laboratorija atliko empirinį lyginamąjį tyrimą, apėmusį 1 200 akademinių esė, argumentacinių analizių ir techninių apžvalgų. Mes įvertinome keturis pažangiausius modelius, palygindami juos su recenzuotų žmonių parašytų esė kontroline baze:
| Modelis / Šaltinis | Vid. perpleksiškumas | Netolygumas (CV) | „Plagly“ atpažinimo rodiklis | Klaidingų teigiamų dalis |
|---|---|---|---|---|
| DeepSeek-R1 (neapdorotas su <think>) | 48,2 (didelis) | 0,38 (vienodas) | 98,8 % | N/A |
| DeepSeek-R1 (be <think>) | 44,6 (vidutiniškai didelis) | 0,41 (vienodas) | 97,4 % | N/A |
| OpenAI GPT-4o | 29,4 (žemas) | 0,32 (labai vienodas) | 99,2 % | N/A |
| Claude 3.7 Sonnet | 38,7 (vidutinis) | 0,49 (nuosaikus) | 98,1 % | N/A |
| Žmonių kontrolinė grupė (N=250) | 72,1 (labai didelis) | 0,74 (labai dinamiškas) | N/A | 0,8 % |
Tyrimas paaiškina, kodėl „DeepSeek-R1“ apeina senesnius vieno parametro detektorius: jos žodyno entropija panaši į žmogaus. Tačiau daugiaryšiai klasifikatoriai, derinantys transformerių įterpinius su sakinių pasiskirstymo entropija, R1 atpažįsta su stabiliu 97,4 % tikslumu.
Tiesioginis palyginimas: detektorių efektyvumas atpažįstant „DeepSeek-R1“
Siekdami patikrinti, kaip komercinės platformos apdoroja „DeepSeek-R1“ tekstus ištrynus mąstymo žymas, ištyrėme 300 išvalytų R1 esė populiariausiuose rinkos įrankiuose:
| Atpažinimo platforma | „DeepSeek-R1“ atpažinimas | Klaidingi teigiami (žmonių) | Daugiakalbis palaikymas | Nemokamas planas |
|---|---|---|---|---|
| Plagly.ai | 97,4 % | 0,8 % | 27 kalbos | Taip (800 žodžių/mėn., be kortelės) |
| Turnitin AI | 89,2 % | 3,2 % (didesnis ne gimtakalbiams) | Tik anglų | Ne (tik institucinė LMS) |
| GPTZero | 84,6 % | 1,9 % | Daugiausia anglų | Ribota bandomoji versija |
| Copyleaks | 91,8 % | 2,4 % | 12 kalbų | Mokami kreditai |
Atvejo analizė: žmogaus ir „DeepSeek-R1“ teksto skrodimas
Norėdami pamatyti šią dinamiką praktikoje, panagrinėkite, kaip mokslininkas ir „DeepSeek-R1“ atsako į tą pačią užklausą: „Išanalizuokite mažųjų modulinių branduolinių reaktorių (SMR) ekonominį gyvybingumą.“
Mokslininko juodraštis (natūralus ritmas, netolygumas CV: 0,81)
“Mažieji moduliniai reaktoriai popieriuje žada daug. Gamyklinis surinkimas skamba puikiai, palyginti su lėtiniu biudžetų viršijimu, kuris persekiojo milžiniškus gigavatų projektus, tokius kaip „Vogtle“. Vis dėlto finansinė realybė išlieka atkakli. Kol vystytojai neužsitikrins standartizuotų trisdešimties ar keturiasdešimties blokų užsakymų paketų, gamybos efektyvumas tiesiog nepasireikš. Pradinės kapitalo išlaidos kilovatui paprasčiausiai išlieka nekonkurencingos, palyginti su kombinuoto ciklo dujų jėgainėmis ir pramonine saulės energetika su kaupikliais. Tai inžinerinis triumfas, laukiantis finansinio stebuklo.”
„DeepSeek-R1“ juodraštis (pašalintas mąstymas, netolygumas CV: 0,40)
“Mažųjų modulinių reaktorių (SMR) ekonominis gyvybingumas priklauso nuo esminio kompromiso tarp standartizuotos gamyklinės prefabrikacijos ir atskiro bloko masto ekonomijos. Žvelgiant iš esminių pozicijų, tradiciniai gigavatų masto objektai ekonominį pagrįstumą užsitikrina dėl termodinaminio pajėgumo, tuo tarpu SMR architektūros remiasi moduline serijine gamyba, siekiant sumažinti išlygintąsias elektros energijos sąnaudas. Vis dėlto atidžiau ištyrus paaiškėja, kad modulių sąnaudų mažinimo kreivėms reikalingi neatidėliotini kapitalo įsipareigojimai kelių blokų tranšomis. Vadinasi, komercializavimo trajektoriją riboja pradinių kapitalo investicijų ribos tol, kol serijinė gamyba nepasieks pariteto su reguliuojamais atsinaujinančios bazinės apkrovos šaltiniais.”
Atkreipkite dėmesį į kalbinį kontrastą: autorius žmogus naudoja įvairų ritmą („Mažieji moduliniai reaktoriai popieriuje žada daug.“, po to pateikiamas istorinis kontekstas ir šnekamosios frazės, tokios kaip „skamba puikiai“). Priešingai, „DeepSeek-R1“ naudoja nenutrūkstamą 24–28 žodžių sakinių seką, griežtas akademines abstrakcijas ir sistemingas epistemines išlygas.
5 akivaizdūs „DeepSeek-R1“ teksto požymiai
Tikrindami dokumentus, dėl kurių kyla įtarimas, kad jie sugeneruoti „DeepSeek-R1“, atkreipkite dėmesį į šiuos penkis dėsningumus:
1. Silogistinė pastraipos įrodymo struktūra
Žmonių rašiniuose temos plėtojamos pasakojimo forma. „DeepSeek-R1“ struktūrizuoja pastraipas kaip formalius matematinius įrodymus: pagrindinė prielaida → sąlygų testas → priešpriešinis vertinimas → dedukcinė sintezė. Kai trys ar keturios pastraipos iš eilės griežtai laikosi šios silogistinės formulės, tai yra aiškus samprotavimo modelio bruožas.
2. Episteminiai svarstymo žymekliai
R1 pastiprinamojo mokymo ciklas įtvirtina pasikartojančius kalbinius modelius, kurie išlieka nepriklausomai nuo užklausos:
- „Žvelgiant iš esminių pozicijų…“
- „Vis dėlto atidžiau ištyrus, būtina atskirti…“
- „Šioje analitinėje sistemoje kompromisas susiaurėja iki…“
- „Vadinasi, būtina išankstinė sąlyga reikalauja…“
3. Patologinė retorinė simetrija
Kadangi GRPO algoritmas baudžia už nepatikrintus teiginius, „DeepSeek-R1“ demonstruoja kompulsinę pusiausvyrą. Jei modelis pateikia du argumentus „už“, jis būtinai atsvers juos lygiai dviem priešingais požiūriais, pasižyminčiais beveik identišku ilgiu, gramatiniu svoriu ir semantine giluma. Žmogaus tekstas yra natūraliai netolygus ir šališkas; R1 balansuoja argumentus tarsi matematines lygtis.
4. Paslėpti savikorekcijos artefaktai
Maždaug 10–14 % generavimų vidinės mąstymo grandinės likučiai prasiskverbia tiesiai į galutinį tekstą. Ieškokite sakinio viduryje įterptų patikslinimų, tokių kaip „— darant prielaidą apie standartines pusiausvyros sąlygas —“, arba trumpų paaiškinimų skliausteliuose, kuriais taisoma galima klaida ankstesniame teiginyje.
5. Hiperreguliarus sintaksinis tempas
Net gavus nurodymą rašyti lengvu ar publicistiniu stiliumi, R1 sakinių ilgiai griežtai atitinka Gauso kreivę ties 22–26 žodžiais. Tai galite apskaičiuoti patys naudodami mūsų nemokamą teksto netolygumo skaičiuoklę (Burstiness Calculator) — CV įvertis žemiau 0,45 analitiniame tekste aiškiai rodo sintetinį generavimą.
Scan Suspicious Content for DeepSeek R1 Traces
Upload or paste text into Plagly to instantly profile burstiness, token distribution shifts, and chain-of-thought residue with sentence-level highlights.
Kaip patikrinti tekstą naudojant „Plagly“
Užuot pasikliovę nuojauta, patikrinkite tekstą modeliais, sukalibruotais pagal pažangiausių neuroninių tinklų svorius. Mūsų specializuotas „DeepSeek“ DI detektorius tikrina mąstymo grandinės likučius, leksinės entropijos pokyčius ir dedukcinį ritmą „DeepSeek-V3“ bei R1 modeliuose.
Akademiniams darbams, moksliniams straipsniams ar mišriems juodraščiams mūsų DI turinio detektorius nuskaito tekstą iškart pagal „DeepSeek“, „ChatGPT“, „Claude“ ir „Gemini“ modelius vienoje ataskaitoje, nustatydamas DI sukurtas ištraukas kartu su sutapimais interneto plagijavimo duomenų bazėse.
Etinis protokolas dėstytojams ir redaktoriams
„Plagly“ nuosekliai pasisako už atsakingą atpažinimą: DI detektoriaus įvertis yra diagnostinis požymis, o ne savaiminis nusižengimo įrodymas. Pažangūs autoriai, mokslininkai, naudojantys griežtus akademinius šablonus, ir ne gimtakalbiai autoriai gali natūraliai gauti didesnius tikimybės įverčius.
Jei darbas gauna aukštą „DeepSeek-R1“ atpažinimo balą, laikykitės trijų žingsnių patikrinimo eigos:
- Patikrinkite dokumento redagavimo istoriją: peržiūrėkite versijų laiko žymas ir teksto rinkimo eigą „Google Docs“ ar „Word“, kad įsitikintumėte nuosekliu juodraščio rengimu.
- Atlikite argumentuotą pokalbį žodžiu: paprašykite autoriaus paaiškinti savo analizės eigą, šaltinius ir pažymėtų pastraipų logiką.
- Sutelkte dėmesį į akademinį skaidrumą: naudokite atpažinimo įrankius konstruktyviam dialogui apie leistiną DI pagalbą ir citavimo taisykles, o ne automatiniams kaltinimams.
