Pangram 4盯上AI图像

Pangram 同时升级文本检测，并把战线扩展到图像

Pangram 在 7 月 29 日发布新一代 AI 文本检测模型 Pangram 4，同时开放一款 AI 图像检测模型的研究预览。根据 TechCrunch 当日报道，这家 AI 内容检测创业公司还完成了 900 万美元融资，资金将用于扩大检测软件的研发与商业化规模。

**Pangram 4 是一款用于判断文本由人类还是生成式 AI 创作的分类模型。**它不是新的大语言模型，也不负责生成内容，而是试图从词汇选择、句法模式、编辑痕迹和跨段落统计特征中，找出大模型留下的“指纹”。

**Pangram 的图像检测模型则是一个判断图片是否由生成式 AI 创建或修改的视觉分类器。**该模型目前仍处于 research preview，也就是研究预览阶段，定位更接近公开测试和数据收集，而不是已经可以作为司法、版权或平台处罚依据的成熟产品。

这次发布最值得关注的并不是版本号从 3.x 跳到 4，而是 Pangram 开始从单一文本检测工具转向多模态内容鉴别平台。互联网里的合成内容已经不再以文章为单位出现：一篇批量生成的商品评测，往往同时包含 AI 文案、AI 配图和经过自动改写的标题，只检查其中一种媒介已经不够用了。

不过，Pangram 尚未公布足够完整的 Pangram 4 独立基准数据。公开信息确认了模型发布，却没有给出统一测试集上的召回率、误报率、对抗改写表现以及相较 Pangram 3.2 的具体提升幅度。因此，现阶段可以确认它是一次产品升级，但还不能仅凭“第四代”这一名称判断技术代差。

900 万美元融资，买的是持续追赶模型的能力

Pangram 此次披露的融资金额为 900 万美元。AI 检测并不是一个训练完成后就能长期不变的静态软件，因为 GPT、Claude、Gemini、Llama 等模型持续迭代，文本润色器、翻译工具和所谓“Humanizer”也在专门针对检测器调整输出。

**AI 检测模型面临的是典型的对抗性军备竞赛。**生成模型每更新一次，检测公司就需要补充新样本、重新评估决策边界，并验证旧模型会不会把新的人类写作风格误判为 AI；检测器一旦公开自己的偏好，规避工具又会反过来学习如何消除这些特征。

这意味着 900 万美元融资真正购买的不是一次训练任务，而是一套长期运转的数据飞轮。它至少包括新模型样本采集、人工文本授权、对抗改写数据构造、多语言标注、模型训练、红队测试，以及面向学校、出版商和内容平台的审计与合规能力。

Pangram 的商业逻辑也因此比普通 SaaS 更重。浏览器扩展和网页检测器只是入口，真正具备持续收入潜力的场景，是教育机构批量检查作业、媒体机构审核投稿、招聘平台筛查材料，以及内容社区对海量文本和图片进行自动分流。

Pangram 4 的核心任务，仍然是压低误报

**误报率是假阳性样本占全部人类内容的比例。**对于 AI 检测产品而言，误报通常比漏报更危险，因为把 AI 文本当成人类文本，最多意味着一次检测失败；把学生、作者或求职者的原创内容标成 AI，则可能直接引发学术诚信指控和现实利益损失。

Pangram 过去一直把低误报作为主要卖点。其官网对多语言产品给出的宣传数字是 99% 以上准确率，部分页面标注 99.98%+；但这些数字不能直接等同于 Pangram 4 的独立实测结果，因为“准确率”会受到测试集的人类与 AI 样本比例影响。

一个检测器在 99% 内容都由人类创作的数据集中，即使把所有输入都判断为人类，也能得到 99% 的表面准确率。对教育和内容审核机构更有价值的指标，是在固定假阳性率下的召回率，例如当误报率限定为 1% 时，模型究竟能识别多少 AI 文本。

第三方研究曾在固定 1% 假阳性率的设置下测试多款检测器。Pangram 官方对该研究的总结显示，其模型在多个领域取得 96% 以上召回率，在仅有约 40 至 50 个英文单词的短评论数据集上仍达到 85%；经过双重翻译后，GPTZero 在研究所用新闻数据上的结果从 97% 降至 42%，在评论数据上则从 65% 降至 9%。

这些历史结果说明 Pangram 在反向翻译场景中具备一定鲁棒性，但它们并不是 Pangram 4 的成绩单。测试所覆盖的模型代际、文本语言和攻击方法都会快速过时，新版本仍需要在同一数据、同一阈值和同一指标下重新比较。

从 Pangram 3.2 到 Pangram 4，已知和未知同样重要

Pangram 3.2 建立在 EditLens 架构之上，而 Pangram 将 EditLens 描述为其 ICLR 2026 论文所讨论的检测架构。上一版本的重点是提高对“人性化”改写、对抗性提示、Claude 4.6 输出和短文本的敏感度，同时继续控制误报。

**Humanizer 是专门把 AI 文本改写得更像人类表达的工具或处理流程。**它通常会打乱句式、替换高频词、故意加入不规则表达，甚至添加少量语法错误，以破坏检测器依赖的稳定统计模式。

Pangram 公布的内部评估显示，3.2 对“人性化生成器”文本的检测率约为 3.1 的 4 倍，在对抗性提示评估中的表现约为 3.1 的 3 倍。这里的“4 倍”和“3 倍”都是相对提升，公司并未在参考材料中同步给出完整样本量、绝对召回率和置信区间，因此不宜把它们解读成普适准确率。

| 产品或版本 | 检测对象 | 发布状态 | 已公开的重点 | 当前数据透明度 | |---|---|---|---|---| | Pangram 3.2 | AI 文本 | 正式版 | Humanizer 检测率约为 3.1 的 4 倍；对抗性提示表现约为 3 倍 | 有模型卡与内部评估，但绝对指标有限 | | Pangram 4 | AI 文本 | 2026 年 7 月 29 日发布 | 新一代文本检测模型 | 尚缺统一基准、误报率和相对 3.2 的完整数据 | | Pangram 图像检测模型 | AI 生成或修改图像 | 研究预览 | 将检测能力扩展到视觉内容 | 尚无足够公开基准，不适合高风险自动裁决 | | Pangram AI Identification | AI 文本来源识别 | 已公开能力 | 尝试区分 ChatGPT、Claude、Gemini 等模型来源 | 来源归因通常比二元检测更容易受改写影响 |

Pangram 4 能否构成实质升级，关键要看三个问题。第一，它在固定 1% 或更低误报率下能否提高召回；第二，它能否覆盖发布后出现的新模型，而不是只擅长识别训练集里的旧输出；第三，它对翻译、人工编辑、段落拼接和多模型混写是否仍然稳定。

图像检测比文本检测更难形成终局答案

**AI 图像检测的目标是从像素、频域、压缩残留和生成模型特征中识别合成内容。**早期方法经常依赖扩散模型留下的纹理异常或频谱规律，但图片经过截图、缩放、裁剪、社交平台压缩、滤镜处理和局部重绘后，这些规律会迅速变弱。

Pangram 把图像模型标记为研究预览，是一个相对克制的决定。当前视觉生成模型已经能够输出高分辨率图片，并支持局部编辑、风格迁移和多轮修改，现实中的图片也很少保持“原始生成文件”状态；一张图片可能只有人物面部经过 AI 修复，背景和主体仍来自相机拍摄，简单的“AI／非 AI”标签并不能完整描述它。

图像检测还存在明显的分布外问题。检测器可能在某几款扩散模型上表现很好，却无法识别新架构、闭源模型或经过定制微调的生成器；反过来，相机降噪、HDR 合成、手机计算摄影和重度后期，也可能制造类似 AI 生成的视觉统计特征。

| 检测维度 | 文本检测 | 图像检测 | |---|---|---| | 常见信号 | 词汇分布、句法、段落一致性、编辑痕迹 | 像素纹理、频域特征、压缩残留、生成器指纹 | | 常见规避方式 | 改写、翻译、人工编辑、混合多个模型 | 截图、裁剪、缩放、压缩、滤镜、局部重绘 | | 短内容难点 | 字数越少，统计证据越弱 | 局部 AI 编辑难以用整图标签描述 | | 高风险误判 | 原创文章被指控为 AI 写作 | 实拍照片被标记为合成图像 | | 更可靠的补充证据 | 版本历史、草稿、引用与写作过程 | 原始文件、元数据、内容凭证与拍摄记录 |

因此，图像检测更适合作为风险评分器，而不是“测谎仪”。平台可以用它决定哪些图片需要人工复核，媒体编辑也可以把它作为核验线索，但不能在缺少原始文件、内容凭证和上下文证据时，仅凭一个概率值下结论。

能分辨具体模型，不等于能追溯真实作者

Pangram 此前推出过“AI Identification”，即在判断文本可能由 AI 生成之后，进一步推测它来自哪一类大语言模型。模型来源识别利用的是不同系统在措辞、标点、结构和拒答习惯上的差异，它比简单的二元分类更细，但也更脆弱。

一段文本经过人工编辑、双重翻译或另一个模型二次润色后，来源指纹会被混合。即使检测器判断它更像 Claude 或 ChatGPT，也只能表示统计上的相似性，不能证明某个人在某个时间使用了某项服务。

这一区别在教育、司法和招聘场景中尤其重要。AI 检测结果可以触发进一步调查，却不应单独成为处分依据；更合理的流程是结合文档版本历史、引用来源、草稿记录、口头说明和写作风格变化，由人类完成最终判断。

Pangram 的机会，是成为审核工作流的一层

Pangram 4 的实际价值不会取决于它能否给出一个漂亮的百分比，而取决于它能否嵌入真实审核流程。Pangram 已提供浏览器扩展、Google Docs 扫描、仪表盘、Canvas 集成和面向开发者的接口，并支持英语、中文、阿拉伯语、法语、西班牙语等 20 余种语言，这些分发能力比单次跑分更容易形成商业壁垒。

多语言能力也是检测市场最容易被低估的门槛。非英语文本的数据量、模型覆盖和写作风格差异更大，非母语写作者还可能使用更规整的句式，从而被质量较差的检测器误判；如果 Pangram 4 要证明升级有效，就应分别公布各语言的误报率，而不是只给出混合后的总体准确率。

Pangram 的竞争对手也不仅是 GPTZero、Originality.ai 等检测软件。内容来源标准、加密签名、相机侧认证和生成平台水印，都在试图从源头证明内容来自哪里；这类“来源证明”通常比事后猜测更可靠，但无法覆盖没有签名的历史内容和故意移除元数据的文件。

最现实的行业方向是把多种证据组合起来。检测模型负责发现异常，内容凭证负责验证来源，版本历史负责还原创作过程，人工审核负责处理模糊案例；任何单一技术都很难独立解决合成内容泛滥的问题。

判断：方向正确，但 Pangram 4 还欠一张完整成绩单

Pangram 此次发布踩中了明确需求：AI 内容数量持续增长，文本与图像又开始在同一条生产链里批量生成，机构确实需要统一的内容风险识别工具。900 万美元融资也说明投资者押注的不是某一次检测跑分，而是持续追踪生成模型、积累对抗数据和进入机构工作流的能力。

Pangram 4 当前最大的缺口是可复现数据不足。公司需要公开固定误报率下的召回率、各语言表现、短文本区间、Humanizer 与翻译攻击结果，并说明测试是否包含训练完成后发布的新模型；图像模型则应分别测试原图、截图、压缩、裁剪、局部编辑和未知生成器。

这次更新可以视为 Pangram 从“AI 作文检测器”走向“多模态内容鉴别平台”的起点，而不是检测问题已经被解决的终点。对于学校、媒体和平台，最稳妥的用法仍然是把 Pangram 4 当作筛查工具，把研究预览中的图像模型当作额外线索，并明确禁止系统自动给人定罪。

参考来源

• TechCrunch，2026 年 7 月 29 日报道：Pangram 完成 900 万美元融资，发布 Pangram 4，并开放 AI 图像检测模型研究预览。受链接域名限制，此处不附原文外链。
• Pangram Labs 产品资料：Pangram 3.2 模型卡、EditLens 架构、多语言检测、AI Identification 与第三方反向翻译测试摘要。受链接域名限制，此处不附官网外链。
• Hugging Face 模型库：AI 文本检测模型检索：用于了解开源 AI 文本检测模型与相关模型卡。
• GitHub：EditLens 相关项目检索：用于跟踪 EditLens 名称下的公开代码与社区实现情况。
• Reddit：Pangram 相关讨论检索：用于查看用户对 Pangram 检测效果的非官方讨论，不能替代独立基准测试。