零样本检测机器生成文本对于降低大语言模型（LLM）滥用风险至关重要。当前最先进的双模型检测器和基于重采样的检测器在未受指令约束的续写上优于单模型统计检测器，但在黑盒场景（未知源模型）下的指令条件文本上表现出灾难性崩溃。\ \ 我们将这种失效归因于两点：重采样方法对提示的条件化不足，以及双模型检测器跨模型差异减弱。\ \ 近期研究表明，人类写作的信息流相对平稳均匀，而机器生成文本会出现尖锐的局部熵波动。基于此，我们提出了相对峰值显著率（Relative Peak Prominence Rate，RelPPR）作为度量，捕捉熵轨迹中的结构性对比，并将其作为 LLM 生成文本的检测信号。\ \ 在多个模型族和数据集上的广泛实验表明，RelPPR 在黑盒检测任务中达到最新水平，并在各种实际情境下保持最可靠的检测性能。\ \ 代码已开源： https://github.com/brushing-git/entropy-llm-detector\ \ 点评