技术深度解析
这一操作背后的核心机制是一种被称为“文本洗钱”或“基于释义的生成”技术。该机构的流水线运作方式如下：一本完整的畅销书被数字化（若尚未数字化），然后按章节或部分进行分割。每个片段被输入大语言模型，并附带一条系统提示，例如：“以[类型]的风格重写以下文本。改变句子结构，用同义词替换至少30%的词汇，并重新排列段落以创造新的叙事流。不得逐字复制任何句子。”模型利用其Transformer架构——特别是注意力机制——执行这一指令，该机制允许它在保留语义含义的同时重新组合token。
当前的大语言模型，如GPT-4o（OpenAI）、Claude 3.5 Sonnet（Anthropic）和Llama 3.1 405B（Meta），在这方面尤为高效，因为它们已在海量受版权保护的文本语料库上进行了训练。它们的训练数据包含数百万册书籍，这意味着它们已经深入掌握了类型惯例、叙事结构和风格模式。当收到改写指令时，模型不仅仅是替换单词；它利用学到的表征重构底层含义，生成能够通过传统抄袭检测器的文本，因为token级别的相似度很低。
一个关键的技术细节是温度和top-k采样参数的使用。通过将温度设置为0.8–1.0，top-k设置为50，操作者确保了高词汇多样性，同时保持连贯性。这使得输出更难追溯到源文本。一些高级操作者还使用迭代优化：模型改写一段文字，然后将输出以不同的随机种子再次输入模型进行第二轮处理，进一步混淆原始文本。
| 模型 | 参数（估计） | 释义质量（BLEU分数） | 检测率（GPTZero） | 每百万token成本 |
|---|---|---|---|---|
| GPT-4o | ~200B | 0.32 | 12% | $5.00 |
| Claude 3.5 Sonnet | — | 0.29 | 8% | $3.00 |
| Llama 3.1 405B | 405B | 0.35 | 15% | $1.50（自托管） |
| Mistral Large 2 | 123B | 0.31 | 10% | $2.50 |
数据要点： 该表显示，即使是最先进的AI检测工具（GPTZero、Originality.ai）也无法识别85%至92%的LLM改写文本为AI生成。这是因为这些模型在句法和词汇上产生了类似人类的变体。低BLEU分数（低于0.4）表明与源文本的n-gram重叠度低，使得传统抄袭检测无效。每token的成本微乎其微——改写一本10万词的小说在API费用上大约只需0.50至2.00美元，而原创写作则需要数月的人力劳动。
一个相关的开源项目是Originality.ai（并非商业工具，而是GitHub上的研究仓库`originality-detection`，约2.3k星标），它试图通过困惑度和突发性指标来检测AI生成的文本。然而，这些方法依赖于统计模式，可以通过添加受控噪声来规避——例如插入拼写错误或改变句子长度——而老练的操作者已经在这样做了。
关键参与者与案例研究
此案涉及一家特定的文学代理机构，AINews选择在诉讼程序进行期间不公布其名称，但模式很清晰：该机构运营着一个由空壳出版社组成的网络，以笔名出版AI生成的书籍。该机构的作案手法与早期的内容农场如ContentFly和WriterAccess相似，但有一个关键区别：他们不是雇佣人类作者生产低质量文章，而是使用LLM克隆高质量书籍。
2024年出现了一个平行案例：一家自助出版平台发现其40%的新投稿是AI生成的公有领域作品改写版。但这家机构走得更远，将目标锁定在仍受版权保护的畅销书上。受害者包括来自企鹅兰登书屋和哈珀柯林斯等主要出版商的作者，但由于正在进行的诉讼，目前无人公开发表评论。
在检测方面，像PlagScan和Turnitin这样的公司正在竞相更新其算法。Turnitin于2023年推出的AI检测工具声称对纯AI生成文本的准确率达到98%，但在面对改写的AI文本时，其性能骤降至34%。这一差距正是文本洗钱操作得以运行的窗口。
| 检测工具 | 准确率（纯AI文本） | 准确率（改写AI文本） | 误报率 |
|---|---|---|---|
| Turnitin AI | 98% | 34% | 1.2% |
| GPTZero | 95% | 15% | 2.5% |
| Originality.ai | 99% | 22% | 0.8% |
| Copyleaks AI | 97% | 28% | 1.8% |
数据要点： 检测领域呈现不对称态势。工具能够可靠地标记直接由AI生成的文本，但当文本经过改写后——这正是此类洗钱操作所做的——它们会灾难性地失效。误报率虽然较低，但问题依然存在，因为它们可能错误地指控合法作者使用AI。这会产生寒蝉效应