GPT-5.5 против Claude 4.6 против Gemini 3.1: какой ИИ 2026 года сложнее всего обнаружить?

К маю 2026 года в профессиональном и академическом письме доминируют три передовые модели ИИ: GPT-5.5 от OpenAI, Claude 4.6 от Anthropic и Gemini 3.1 от Google. Каждая из них поставляется с маркетинговыми заявлениями о том, насколько человечными кажутся их результаты. Каждая используется миллионы раз в день для создания текстов, которые в итоге превращаются в эссе, отчеты и библиотеки контента. И каждая оставляет свой статистический след, который инструменты обнаружения могут — или иногда не могут — уловить.

Мы протестировали 600 свежих образцов на трех моделях и пропустили каждый через один и тот же многомодельный ансамблевый детектор. Результаты опровергают несколько распространенных предположений о том, какую модель труднее всего обнаружить, и проясняют, почему в 2026 году этот ответ имеет большее значение, чем в любой предыдущий год.

Как мы тестировали

Мы сгенерировали по 200 текстов для каждой модели — по 50 для академических эссе, маркетинговых материалов, технических руководств и художественной литературы. При каждой генерации использовался системный промт по умолчанию без каких-либо инструкций по обходу обнаружения. Затем мы создали состязательные варианты для каждого текста: версию, обработанную гуманизатором, и слегка отредактированную версию (15–20% слов переписаны вручную). Итого: 600 базовых образцов и 1200 состязательных образцов.

Каждый образец был оценен ансамблем Agentic Council от Plagly.ai (перплексия, импульсивность, стилометрия, цифровой отпечаток, дискурс) и перепроверен с помощью новейшего классификатора от крупного коммерческого одномодельного детектора. В приведенных ниже результатах указан уровень обнаружения Plagly.

Главные результаты: необработанный текст

При стандартных выводах без состязательного редактирования три модели располагаются удивительно близко друг к другу — но небольшие различия весьма показательны.

Точность обнаружения на необработанных текстах

GPT-5.5 (сырой): обнаружено 94%. Claude 4.6 (сырой): обнаружено 88%. Gemini 3.1 (сырой): обнаружено 92%. На текстах по умолчанию без состязательных промтов все три модели надежно обнаруживаются ансамблевыми инструментами, но разрыв между Claude 4.6 и остальными действительно существует.

Почему Claude 4.6 лидирует по скрытности

Claude 4.6 обучалась с особым упором на вариативность регистров и человекоподобный ритм прозы. Эта модель более активно варьирует структуру предложений по сравнению со своими конкурентами, использует меньше шаблонных переходов и демонстрирует более выраженную приверженность определенной позиции в аргументированном письме. В результате текст оказывается ближе к человеческой прозе по осям перплексии и импульсивности, на которые опираются одномодельные детекторы.

Почему GPT-5.5 легче всего обнаружить

Несмотря на максимальную оптимизацию плавности речи, GPT-5.5 сохраняет самые сильные нисходящие структурные шаблоны среди всех трех моделей. При ее обучении особое внимание уделялось надежности и сбалансированности, что приводит к узнаваемой форме аргументации: введение, представление нескольких точек зрения, заключение со взвешенным синтезом. Детекторы, моделирующие дискурс на уровне абзацев и документов, стабильно улавливают это, даже если поверхностные признаки на уровне предложений проходят проверку.

В чем расходятся модели: детализация по признакам

Общие показатели точности скрывают более существенные различия в том, какие именно признаки вызывают срабатывание детектора. Анализ оценок по каждому классификатору дает более полезную информацию.

Сигналы дискурса

GPT-5.5 имеет самый сильный цифровой след дискурса из всех трех моделей. Ее предпочтение сбалансированным аргументам, чрезмерное использование определенных связующих фраз и склонность к предварительному резюмированию делают ее самой легкой для обнаружения на уровне абзацев среди трех передовых моделей — даже когда отдельные предложения проходят проверку одномодельными детекторами.

Стилометрические сигналы

Gemini 3.1 лидирует по стилометрическим признакам. Ее тексты демонстрируют характерные паттерны в частоте использования наречий, конструкциях пассивного залога и ритме на уровне предложений. Эти особенности глубоко укоренились в том, как отбирались обучающие данные Google, и модели оказалось трудно подавить их без потери плавности изложения.

Сигналы перплексии

Claude 4.6 имеет самый чистый профиль перплексии — ее результаты наиболее близки к эталонам, написанным человеком. Именно поэтому одномодельным детекторам перплексии сложнее всего ее обнаружить. Однако Claude 4.6 по-прежнему обладает измеримыми характеристиками цифрового отпечатка и дискурса, благодаря чему ансамблевые детекторы сохраняют высокую точность там, где более простые инструменты терпят неудачу.

Состязательные условия: когда задача усложняется

Более значительный разрыв между моделями проявляется в состязательных условиях. Пропустив результаты каждой модели через гуманизатор, мы провели повторное тестирование:

• GPT-5.5 + гуманизатор: обнаружено 72%.
• Claude 4.6 + гуманизатор: обнаружено 64%.
• Gemini 3.1 + гуманизатор: обнаружено 70%.

Преимущество Claude 4.6 в необработанном виде увеличивается еще сильнее, когда в дело вступает гуманизатор, но даже в самых сложных состязательных условиях большая часть текстов Claude 4.6 все равно помечается детектором. Представление о том, что любая из этих моделей может надежно обходить современные ансамблевые детекторы, опровергается данными.

Почему это важно в 2026 году

Борьба моделей обострилась в конце 2025 и 2026 годах: OpenAI выпустила GPT-5.5 в попытке обойти преимущество Claude в скрытности, Anthropic ответила улучшением ритма прозы в Claude 4.6, а Google обновила Gemini 3.1 для сокращения разрыва в плавности текста. С точки зрения обнаружения, практические результаты сближаются.

Одномодельные детекторы становятся все более ненадежными

При анализе всех трех моделей одномодельные детекторы оказываются наиболее уязвимыми. Инструмент, оценивающий только перплексию, который хорошо работал с GPT-3.5, теперь ошибается при классификации текстов Claude 4.6 в 50–60% случаев. Инструмент, оценивающий только импульсивность, ошибается аналогичным образом. Многомодельные ансамбли сохраняют высокую точность, поскольку ни одна модель не должна выполнять всю работу в одиночку.

Постоянное переобучение важнее любого отдельного алгоритма

Agentic Council от Plagly.ai постоянно переобучает свой модуль цифровых отпечатков на свежих текстах каждой крупной передовой модели. Точность обнаружения Claude 4.6 выросла примерно на шесть процентных пунктов с момента запуска по мере того, как стилистические паттерны модели становились все более представленными в обучающих данных — этот процесс повторяется с каждым новым выпуском моделей.

Что дальше: Claude 5, GPT-6, Gemini 4

Все три лаборатории публично заявили о выпуске следующего поколения моделей в течение 2026 года и в 2027 году. Исходя из цикла GPT-5.5/Claude 4.6/Gemini 3.1, можно ожидать следующего: еще одного временного падения точности обнаружения у всех инструментов при каждом крупном релизе, более быстрого восстановления для ансамблевых продуктов и продолжающегося увеличения разрыва между современными многомодельными детекторами и устаревшими одномодельными продуктами.

В долгосрочной перспективе гонка вооружений складывается в пользу обнаружения — с небольшим преимуществом. Каждое поколение LLM сокращает количество поверхностных стилистических признаков, но не может легко устранить более глубокие структурные закономерности, возникающие в результате обучения прогнозированию следующего токена на данных масштаба Интернета. Именно эти закономерности учатся распознавать хорошо спроектированные детекторы, и именно этот уровень сохраняется при обновлении моделей.

Итог

Ð’ настоящее время Claude 4.6 является самой сложной для обнаружения среди трех передовых моделей — но лишь на несколько процентных пунктов и только по сравнению с одномодельными детекторами. Многомодельные ансамбли по-прежнему помечают большую часть текстов всех трех моделей, и этот разрыв сокращается с каждым циклом переобучения детектора. Правильный вопрос для 2026 года заключается не в том, “какую модель использовать для обхода обнаружения?”, а в том, “какому детектору доверять для получения точных результатов?”. Ответ на этот вопрос — ансамблевому, многомодельному, постоянно переобучаемому — никогда не был столь очевиден.