半年前，往Substack投稿的作者可能想不到，自己的稿子正被一套算法逐句打分，判断这段话有多少比例出自AI。给Substack做这套“AI含量提示”的公司叫Pangram。9月2日，TechCrunch放出一段对其联合创始人兼CEO Max Spero的访谈，标题直指一个技术判断：AI检测比“真/假”二元判断难得多。
这句话听起来像常识，但背后是一次真正的架构转向。检测行业正在把“是不是AI写的”这道单选题，改造成“AI参与了多少”的连续光谱题。Pangram刚发布的新模型Pangram 4，就是这套逻辑最新的产品化结果。
二元论先天就漏洞百出
“真/假”框架的问题不在准确率，而在这个问题本身问错了。一篇经过语法润色、机器翻译或AI“人性化”改写工具处理过的文章，既不是纯人类写作，也不是纯AI生成，落在二元分类器里只会被强行归到某一边，误判率随之飙升。
Pangram的做法是把判断单位下沉到token级别，对每一段文字做三分类：人类写作、AI辅助、完全AI生成。7月底上线的Pangram 4采用混合专家（MoE）架构，参数规模是上一代Pangram 3.3的约6倍——模型变大不是为了堆参数炫技，而是为了在这三个类别之间划出更细的边界。
数字很扎眼，但出处要分清楚
Pangram公布的基准数据确实好看：AI生成文档识别率99.66%，人类写作假阳性率0.0041%（约1/24000），AUROC达0.9916。同一份材料里，Pangram对经过AI“人性化”改写的文本识别率也保持在98.83%，误判为完全AI生成的比例仅0.01%左右。
但vendor自证效度和独立验证不是一回事。芝加哥大学Booth商学院2025年的研究给出了一个相对硬的背书：在其测试集里，Pangram是唯一把假阳性率压到0.5%以下、同时没有明显牺牲检测能力的检测器，对人性化规避工具也保持较强鲁棒性。这份第三方结论比营销页面上的数字更值得信任。
相比之下，布鲁塞尔自由大学对学术论文的第三方测评数据虽然也支持Pangram的优势，但这份数据是经Pangram自己转发的，测评方法尚未独立核实，只能算参考，不能当结论。
- 结论.独立研究能验证的只是“Pangram在特定测试集里领先同行”，不能证明它在所有真实场景都可靠。
融资节奏和这门生意的天花板
Pangram由Spero和CTO Bradley Emi在2023年创立，两人相识于斯坦福，此前分别在Google、Two Sigma、Yelp、Nuro做机器学习和特斯拉Autopilot视觉团队。7月底，公司完成由Menlo Ventures领投的900万美元融资，累计融资约1300万美元，资金用途明确写着两块：优化文本检测，拓展到图像等新模态。
图像检测已经上线，Substack合作则是商业化路径的验证——平台方开始把“AI含量提示”当作对读者的信任承诺，而不只是内容审核工具。这个方向和Turnitin、GPTZero、Copyleaks、OriginalityAI这批同行的打法基本一致，区别在于谁能先把假阳性率压到机构敢用的水平。
被误伤的沉默多数
检测器越精细，暴露的问题也越具体：假阳性从来不是均匀分布的。短文本、高度格式化的写作、非母语英语写作者、神经多样性写作者，天然更容易触发误判——他们的表达习惯本身就带着某些统计特征，恰好和AI生成文本的特征重叠。
老实写作的人被误伤，有心规避的人反而更容易漏网。
这个不对称是结构性的：简单的复述、翻译、句式重组就能让检测器失效，形成一场检测方与规避方永远打不完的军备竞赛。目前没有哪家检测公司敢说自己有天花板级别的解决方案。
- 风险.学校和企业如果把检测结果当成“定罪证据”而不是“筛查信号”，误伤ESL和神经多样性写作者的代价会由个人承担，而这套治理规则目前还是空白。
对读者和内容平台来说，现实判断很简单：检测工具的数字可以参考，但不该是唯一依据；下一步真正该盯的，是有没有更多独立于Pangram自身的第三方评测出现，以及图像检测这条新战线能不能撑起同样的准确率。