检测 AI 生成文本（AIGT）一直是难点，传统方法多依赖 token 级别的统计特征或独立的文体特征，这导致模型容易对特定生成器过拟合，并在分布漂移时失效。我们在句子对层面发现了一种结构信号：大语言模型（LLM）在句子间的转移方差明显高于人类写作，表现为段落边界处的相似性突发和模板化转移导致的方差膨胀。我们将其形式化为 关系过正则化（Relational Over-Regularization，ROR），并在四个公开基准上进行验证。
具体做法是将文本构建为句子节点的有向图，边权表示相邻句子向量的余弦相似度 $s_{i}=\cos(\mathbf{v}_{i},\mathbf{v}_{i+1})$。随后计算整篇文章的转移方差 $\sigma^{2}=\frac{1}{N-1}\sum_{i=1}^{N-1}(s_{i}-\bar{s})^{2}$，其中 $\bar{s}$ 为平均相似度。实验表明，AI 生成文本的 $\sigma^{2}$ 显著大于人类文本，且在不同模型、不同语言下保持稳健。
我们进一步引入图卷积网络（GCN）对句子图进行特征聚合，以捕捉更高阶的转移模式。模型结构简洁：输入句子嵌入 → 构建相似度图 → 两层 GCN → 全局池化 → 二分类头。该框架在四个基准（包括 OpenAI、Anthropic、Google、Meta）上分别提升了 4.2%~7.8% 的检测准确率，且对新出现的生成模型仍保持约 85% 的召回率。
博主点评：ROR 通过捕捉句子层面的结构波动，提供了一种与传统 token 统计完全不同的检测视角。其基于图的实现简洁且易于迁移，值得在实际检测系统中进一步探索。