近日，一篇题为《A Systematic Analysis of Linguistic Features in AI-Generated Text Detection Across Domains and Models》的预印本论文发布在arXiv上，作者为Yassir El Attar等四人。该研究针对AI生成文本检测领域的一个关键缺口展开了大规模实证分析：尽管可解释的语言特征被认为是向非专家用户解释文本为何看似机器生成的有效途径，但现有关于哪些特征能可靠指示LLM生成文本的发现，在不同特征集、模型和文本领域之间仍然零散且缺乏系统性验证。
为了填补这一空白，研究团队评估了语言信号在表征AI生成文本时的稳健性。他们的分析涵盖了284个可解释的语言特征，数据来自27个大型语言模型（LLM）在十个不同文本领域下的输出，并设置了跨模型和跨领域的泛化实验条件。这种设计使得研究者能够检验哪些语言特征在不同模型家族和不同文本类型之间具有一致性，而非仅适用于特定场景。
研究得出了两个主要结论。首先，仅基于语言特征构建的分类器能够可靠地区分AI生成文本与人类撰写文本，表明语言特征本身携带了足够的判别信息。其次，许多先前研究中提出的指示性特征被证明具有强烈的上下文依赖性——它们的判别能力会随模型或领域的变化而显著波动，难以作为通用指标。
然而，一个重要的例外是词汇丰富度（lexical richness）指标。研究发现，这类指标在不同模型家族和文本领域中都保持了稳健的信号强度，成为跨情境泛化能力最强的语言特征类别。这一发现对于开发更可靠、更可解释的AI生成文本检测工具具有直接意义。
作者指出，这些结果明确了哪些语言信号能够跨上下文泛化，为更可靠、更可解释的AI生成语言分析奠定了基础。该论文属于计算与语言（cs.CL）以及人工智能（cs.AI）交叉领域，提交于2026年6月2日，目前为预印本状态，尚未经过同行评审。