Labs · 文字 X 光
给文字拍张 X 光，
看每个词有多「好猜」。
结果会出现在这里——每个词按「模型觉得多好猜」着色。
超过 6000 字只扫前 6000 字。 手机也能跑（同样全本地），但下载和初始化更磨人——赶时间建议桌面。
这台 X 光机的原理
一个语言模型读你的文字时，每到一个位置都在心里排一张「下一个词」的候选榜。我们把你的每个词拿去对榜：排第 1 名到第 10 名算「一猜就中」（标红），第 1000 名开外算「真没想到」（标青）。整段扫完，你就得到一张统计 X 光片——套话和复读会连成红带，真正的个人表达往往是青色的。这套「逐词名次着色」来自 2019 年哈佛与 MIT-IBM 实验室的 GLTR；七年过去，原版停在英文和 GPT-2 服务端，我们把它搬进你的浏览器，补了中文轨。
它不是检测器（这句话有数据撑腰）
上线前我们用五组共 100 段带出处的语料给这台机器做了标定，结果值得写在脸上：真人写的套路网文「一猜就中」占比 64–71%，我们自己在反 AI 味纪律下打磨的官方 AI 小说只有 54–65%，五家大模型的直出续写更低（52–61%）—— 三条区间不但重叠，还和「AI 更好猜」的直觉完全倒挂。原因不复杂：探针小模型量出来的是「离它 2019 年训练分布的远近」，而套路网文恰好是那个分布里最浓的部分。GLTR 当年就承认对更新的模型会失效，我们把这个失效 用自己的数据量化了出来。所以：有人拿「困惑度」给你的文字判 AI 时，这三条倒挂的区间就是你该反问的问题。
三面透镜怎么分工
这是我们「AI 味」工具组的第三面透镜：AI 味体检器管规则层（套话词表与句式模具，逐条点名）、 文本分析仪管结构层（句长节奏、对话占比、复读检测），文字 X 光管统计层（一个真实神经网络的逐词意外度）。三面各有盲区：规则抓不到新套话，结构看不见词级纹理，统计分不清「套路的人」和 「克制的机器」。一起用，比任何一个单独用都诚实。
常见问题
我的文字会被上传吗？
不会。点「扫描」后浏览器从 CDN 下载一个 73–81MB 的量化小模型，之后推理全部发生在你设备的浏览器里（Web Worker + WASM），文字不发给任何服务器。断网状态下（模型已缓存时）照样能扫。
它能判断一段文字是不是 AI 写的吗？
不能，我们也不装能。我们用 100 段带出处的语料做了标定：在探针小模型的量尺下，真人写的套路网文（top-10 命中率中位 69%）反而比大模型直出的续写（57%）更「好猜」——「困惑度高低」和「谁写的」在 2026 年已经对不上号。这个工具给你的是逐词纹理，不是判决。
为什么要下载 70 多 MB 的模型？
因为你的浏览器里真的在跑一个神经网络：中文轨是 6 层蒸馏版 GPT-2 中文模型（uer/gpt2-distil-chinese-cluecorpussmall 的 q8 量化 ONNX，73MB），英文轨是 DistilGPT-2（81MB）。只下载一次，之后存在浏览器缓存里；引擎初始化每次打开页面约 10–30 秒（一次性），扫描本身不到一秒。
和 GLTR 是什么关系？
致敬加接棒。GLTR 是哈佛 NLP 与 MIT-IBM Watson 实验室 2019 年的工作：用 GPT-2 给每个词按预测名次着色，是「AI 检测可视化」这个形态的开山。它停在 2019——服务端运行、只有英文、自己声明对新模型可能失效。这里是同一个思路的 2026 重做：跑在你的浏览器里、中英双轨、并把「对新模型失效」这件事用我们自己的标定数据摆在台面上。