在AI生成文本检测（AIGTD）领域，许多现有方法将文档视为静态对象，基于汇总统计或全局压缩嵌入做出判断。这种视角忽略了自回归生成的动态特性，内容在潜在空间中逐步演变。本文将AIGTD重新定义为区分潜在生成轨迹的问题。
我们提出了几何轨迹与对比学习（GTCL）框架，旨在建模文本表示在序列中的演变。GTCL将文档分割为有序的局部单元，编码每个单元到嵌入空间，并构建结构化的序列级表示。
随后，GTCL对这些轨迹应用对比学习，以学习与自回归生成相关的几何规律。
在三个不同基准和多种方法上的评估表明，GTCL在检测基线上表现出色，表明显式建模序列动态为模型和领域提供了强大的区分信号。
这些结果表明，建模轨迹差异可以提高检测准确性，并开启一个在以往AIGTD文献中未被充分探索的动态方向。
博主点评： 该研究为AI生成文本检测提供了新的思路，通过动态建模文本生成过程中的轨迹变化，显著提升了检测效果。这种方法不仅丰富了现有技术手段，也为未来的研究指明了方向，值得深入探索。