知识卡片：IdeaLens：检测长篇写作中的 AI 想法来源

一句话结论

IdeaLens 尝试识别长篇写作中的“想法来源”（idea provenance）——文档中的想法来自人类还是 AI，而不论文字由谁写成；材料显示该信号在控制实验和 19 个检测基准中具有区分力，但其训练依赖 silver labels，实际部署与政策使用边界仍需核实。

事件概述或研究问题

现代 AI 检测器通常关注“谁写了文字”。本文关注另一个问题：新兴 AI 使用政策越来越关心“谁提出了想法”。为此，作者提出 IdeaLens，用于检测文档中的想法是否来自人类或 AI，即 idea provenance。英文标题为 IdeaLens: Detecting AI Ideas in Long-form Writing。

方法/产品要点

• 为让检测器聚焦“想法”而非“文风”，把文档表示为 outlines：由若干条目组成，每条目将一个 discourse role 与简短的、改写后的内容描述配对，从而尽量减少与原文的词级重叠。
• 使用 1M FineWeb documents 训练 IdeaLens，标签来自 Pangram（一个 prose provenance detector）的 silver labels。
• 由于 outlines 基本剥离了表层文字信息，材料称标签必须主要通过“想法”来拟合。
• 在控制研究中比较 IdeaLens 与 Pangram 4；另构建了一个包含 50 个故事的新数据集，故事由人类作者根据 AI 生成计划写成。
• 在 19 个现有检测基准上评估，并分析 90K 条 IdeaLens 预测，以刻画人类与 AI ideation 的系统差异。
• 作者发布模型和标注数据集，以促进 idea provenance detection 的未来研究。

主要结果或产业意义

• 控制实验中，随着模型依据越来越详细的人类计划写作，IdeaLens 的 AI 标记率从 95% 降至 7%；同期 Pangram 4 仍标记 92%。
• 当计划由 AI 生成时，IdeaLens 的 AI 标记率保持在 96% 以上。
• 在 50 个“人类作者根据 AI 生成计划写作”的故事中，IdeaLens 将 68% 标记为 AI，而 Pangram 4 为 8%。
• 在 19 个现有检测基准上，材料称 IdeaLens 在低假阳性率下保持较强检测率，并在领域、格式和语言上表现稳定。
• 产业意义：AI 使用政策、编辑审稿、学术诚信和创作归属可能越来越需要区分“文字作者”与“想法来源”；该工作提示“想法本身”可能成为有区分力的检测信号。

为什么重要

如果政策只检测“谁写了文字”，那么人类按 AI 计划写作、或 AI 根据人类计划润色等协作情形可能被误读。IdeaLens 把检测焦点扩展到 idea provenance，对 AI 辅助写作的披露、归因与治理具有概念增量。与既有相关卡片的关系：现有卡片未直接覆盖 idea provenance detection；本条是 AI 检测脉络中从“文字来源”转向“想法来源”的新增维度。

局限与不确定性

• 训练标签为 Pangram 产生的 silver labels，并非人工确认的真实 idea provenance；可能继承 Pangram 的偏差。具体影响待核实。
• outlines 由何系统生成、如何定义 discourse role 与改写描述、如何控制词级重叠等细节，材料未展开；待核实。
• 控制实验中“越来越详细的人类计划”“AI-derived plans”的操作化定义、样本量、评估阈值和指标数值，待核实。
• 50 个故事的数据集规模较小；其代表性、作者背景和标注流程待核实。
• 19 个基准的具体列表、低假阳性率数值、各领域/格式/语言结果，待核实。
• 对纪律处分、版权归属或政策执行的直接适用性，以及误判风险、申诉机制和人机协作边界，待核实。
• 模型与数据集的发布范围、许可证和可复现条件，待核实。

可用于图书/PPT/简报的角度

• 从“谁写文字”到“谁想想法”：AI 检测政策的下一层问题。
• 人类按 AI 计划写作时，检测器可能如何表现：IdeaLens 与 Pangram 4 的对比。
• 长篇写作中的 outlines 表示：剥离文字表层，尝试捕捉想法结构。
• 人机协作中的计划详细程度如何影响 AI 标记率。
• AI 检测的治理风险：silver labels、误判、程序正义与披露机制。
• 想法来源检测对学术诚信、新闻编辑、内容平台与创作归属的潜在影响。

原始材料

• 英文标题：IdeaLens: Detecting AI Ideas in Long-form Writing
• 英文关键词：Idea provenance; AI ideas detection; long-form writing; outlines; silver labels; Pangram; AI detection benchmarks; human vs. AI ideation
• 作者：Rishanth Rajendhran, Minjoon Choi, Jenna Russell, Ramya Namuduri, Deniz Bölöni-Turgut, Marzena Karpinska, John Wieting, Mohit Iyyer
• arXiv ID：2610.06778v1
• 发布/更新：2026-10-05T17:43:33Z
• 分类：Primary category: cs.CL；Categories: cs.CL, cs.AI, cs.LG
• Track：academic
• Topics：foundation-model
• 摘要链接：https://arxiv.org/abs/2610.06778v1
• PDF 链接：https://arxiv.org/pdf/2610.06778v1
• 来源摘要：While modern AI detectors identify who wrote the words, emerging policies on AI use increasingly hinge on a different question: who came up with the ideas? We introduce IdeaLens, a detector that identifies whether a document's ideas came from a human or AI (idea provenance), regardless of who wrote its words. To focus IdeaLens on ideas rather than prose, we represent documents as outlines: lists of items that each pair a discourse role with a brief, paraphrased description of the content, minimizing word-level overlap with the raw text. We train IdeaLens on 1M FineWeb documents with silver labels from Pangram, a prose provenance detector. Since the outlines are largely stripped of surface-level information, the labels must be fit mainly through the ideas. In a controlled study, IdeaLens's AI flag rate drops from 95% to 7% as models write from increasingly detailed human plans, while Pangram 4 still flags 92%; from AI-derived plans, IdeaLens stays above 96%. Conversely, on a new dataset of 50 stories that human authors wrote from AI-generated plans, IdeaLens flags 68% of the stories as AI, compared to 8% for Pangram 4. On a comprehensive suite of 19 existing detection benchmarks, we show that IdeaLens maintains strong detection rates at low false positive rates, suggesting that ideas themselves provide a powerful discriminative signal, and its performance holds across domains, formats, and languages. Finally, we examine 90K predictions from IdeaLens to characterize systematic differences between human and AI ideation. We release our models and labeled datasets to facilitate future research on idea provenance detection.