Вторая цифра в отчете появилась недавно, и реакция на нее почти всегда одинаковая: студент видит рядом с оригинальностью незнакомый процент и не понимает, откуда он взялся и чем грозит.
Путаницы добавляют две вещи. Первая: цифру считает механизм, который с поиском заимствований не связан никак, поэтому привычная логика «перепишу абзац своими словами» работает здесь иначе. Вторая: вокруг показателя вырос рынок услуг по его снижению, и половина объяснений в выдаче написана теми, кто эти услуги продает.
Вопрос, видит ли Антиплагиат нейросеть, на практике распадается на два: что именно система умеет замечать в тексте и что из ее ответа следует для работы. Разберем оба, а заодно посмотрим, почему высокую долю получают работы, написанные руками.
Что стоит в отчете, когда система заподозрила генерацию
Показатель по сгенерированному тексту живет в отчете отдельной строкой и в сумму четырех долей оригинальности не входит. Складывать его с заимствованиями бессмысленно: считает его другой механизм и отвечает он на другой вопрос.
Сама цифра означает долю текста, в которой модуль нашел языковые признаки машинной генерации. Не долю списанного, не вероятность обмана, не оценку качества работы.
Что эта цифра не означает:
Она не доказывает, что текст писала модель. Те же признаки встречаются у текста, написанного руками.
Она не показывает, откуда взят фрагмент. Источников у этого показателя нет в принципе, сравнивать не с чем.
Она не влияет на процент оригинальности. Две цифры двигаются независимо, и хорошая оригинальность от вопросов по второй не спасает.
Она не является решением кафедры. Решение принимает человек, который читает отчет.
Подписи строк и состав разметки различаются по версиям системы и по профилю вуза: в одном отчете вы увидите только долю, в другом рядом с ней будет размеченный текст. Что означает каждая строка документа и в каком порядке его читать, разобрано в материале про чтение отчета Антиплагиата.
Отсюда и первый ответ на вопрос, видит ли Антиплагиат нейросеть. Система не выносит вердикт о происхождении текста, она показывает свою оценку похожести на машинный и кладет ее в отчет как самостоятельный результат проверки. Дальше все решает то, есть ли у вуза требование по этому числу, а требования пока разные даже между кафедрами.
Как модуль отличает машинный текст от написанного руками
Ровный ритм по всей главе для модуля выглядит как машинный профильЯзыковая модель на каждом шаге выбирает продолжение, которое в ее представлении вероятнее остальных. Из этого свойства растет весь механизм детекции: у сгенерированного текста выбор слов предсказуемее человеческого, а ритм ровнее.
Человек пишет неровно. Одно предложение выходит на четыре строки, следующее в три слова. В одном абзаце автор уходит в частность, которая ему интересна, в другом обрывает мысль и возвращается к ней через две страницы. Модель так не делает, если ее об этом не попросить: она держит средний регистр и средний темп от введения до заключения.
Модуль оценивает эту разницу статистически. Он обучен на больших наборах текстов, про которые известно, кем они написаны, и ищет знакомый профиль: насколько предсказуемо разворачивается речь, как распределены длины, насколько однородна лексика, повторяются ли способы перехода между мыслями.
Совпадений он не ищет вовсе. Фрагмент машинного текста нигде не лежит: он создан один раз и в коллекциях его нет. Устройство поиска заимствований работает по совершенно другому принципу, и разобрано оно в статье про то, как работает Антиплагиат.
Из такого устройства следуют два вывода, которые в объяснениях обычно теряются. Первый: на коротком фрагменте оценка неустойчива, потому что статистике нужен объем текста. Второй неприятнее. Текст, который человек писал ровно и по образцу, для модуля выглядит примерно так же, как машинный, потому что профиль у них совпадает.
Определяет ли система, какая именно нейросеть писала текст
Короткий ответ: нет. Модуль не выдает названий и не отвечает на вопрос, чем пользовался автор. Он оценивает признаки машинной генерации, а признаки эти общие для больших языковых моделей.
Поэтому вопрос в формулировке «видит ли Антиплагиат нейросеть DeepSeek, но пропускает ChatGPT» поставлен неверно. Разница между моделями есть, только она не в том, видит или не видит, а в выраженности признаков. И по нашим замерам на своей базе работ на эту выраженность сильнее влияет не выбор модели, а то, как с ней работали.
Текст, полученный по запросу из одной строки, ровнее и беднее фактурой, чем текст, собранный по заданному плану, с вставленными числами, цитатами и разбором конкретного случая. Первый модуль отмечает охотнее, и это ожидаемо: у него меньше признаков живого письма.
Отдельно про подходы, которые в выдаче подаются как способ остаться незамеченным: перевод через третий язык, локальная модель, генерация по абзацам с ручной склейкой. Объединяет их одно. Природу текста они не меняют, меняют только отдельные его свойства, а какие именно свойства учитывает модуль в вашем вузе, зависит от его версии и настроек. Поэтому обещать что-то конкретное по результату такой проверки нельзя, и формулировки вида «этот способ точно не определится» стоит читать как рекламу.
Практический смысл вопроса про модели оказывается другим. Значение имеет не то, чем набран черновик, а сколько в готовой работе вашего: своих расчетов, своих примеров, своих выводов по теме.
Почему высокую долю получают работы, написанные без нейросети
Нормативный язык стандартизован сам по себе, и это частая причина ложной цифрыЭто самая обидная ситуация из всех, и встречается она постоянно. Причина в том, что модуль не знает происхождения текста. Он знает только его статистику, а статистика у ровного человеческого текста и у машинного похожа.
Кто попадает в группу риска чаще остальных:
Юридические и нормативные разделы. Язык там стандартизован по определению, формулировки переезжают из документа в документ, и разброс в таком тексте небольшой.
Введение, написанное по методичке. Актуальность, цель, задачи, объект и предмет идут в заданном порядке заданными словами, одинаково у всего курса.
Перевод с английского. При переводе пропадают авторские неровности, а фразы выравниваются по длине почти автоматически.
Пересказ учебника своими словами. Мысль идет по чужой структуре, поэтому неожиданных поворотов в тексте нет.
Текст, доведенный автоматической проверкой стиля. Такие сервисы убирают длинные предложения и сложные конструкции, то есть ровно ту неровность, по которой видно человека.
Глава, дописанная ночью по верхам. Общие формулировки без чисел и примеров дают тот же профиль, что и генерация.
Ни один пункт этого перечня не про использование ИИ, и это главное, что стоит унести из раздела. Модуль отвечает на вопрос, похож ли текст на машинный, а не на вопрос, писала ли его машина, и разница между этими вопросами и есть источник ложных срабатываний.
Для разговора с руководителем отсюда следует практичная вещь. Высокая доля это повод посмотреть текст внимательнее, а не приговор автору, и обсуждать с руководителем стоит именно текст: какие разделы получились шаблонными и чем их наполнить.
Какие свойства текста модуль отмечает чаще всего
Ниже ориентиры по нашим замерам на собственной базе работ, а не перечень правил системы: правила внутрь никто не публикует. Пользоваться таблицей стоит как картой мест, куда смотреть в своем тексте.
| Что в тексте | Почему модуль реагирует | Что снимает признак |
|---|---|---|
| Одинаковая длина предложений | разброс уже человеческого | правка ритма абзаца руками |
| Абзацы под одну линейку | ровный темп по всей главе | разные по объему абзацы |
| Формулировки без чисел | речь слишком предсказуема | свои данные и расчеты |
| Однотипные переходы | повторяется шаблон связок | убрать лишние связки совсем |
| Словарь без редких слов | лексика однородна | терминология своей темы |
| Выводы к любой работе | нет привязки к предмету | вывод по своему материалу |
| Пересказ по чужому плану | чужой порядок мысли | свой порядок разбора |
Третий столбец в таблице важнее первых двух, и он объясняет главную ошибку в работе с этим показателем. Каждый признак снимается содержанием, а не формой: заменой слов на синонимы не двигается ни одна строка, потому что ритм, переходы и отсутствие фактуры остаются на месте.
Проверить это можно на своем тексте за десять минут. Откройте любую главу и посмотрите на нее не как на текст, а как на чертеж: длины предложений, размеры абзацев, начала абзацев подряд. Если начала однотипные, а размеры близкие, глава выглядит ровной и без всякой генерации.
Что делать, если доля высокая, а текст свой
Черновики и версии файла говорят о процессе написания, а показатель о нем молчитПорядок ниже рассчитан на ситуацию, когда работа уже проверена и цифра пришла. Он сознательно начинается не с правок.
Уточните письмом, есть ли у кафедры требование по этому показателю и какое именно. Пока требования нет, править наугад незачем.
Попросите полный отчет. По нему видно, какие разделы дали основной вклад, а итоговая доля этого не говорит.
Возьмите самый нагруженный раздел, а не первый по порядку. Правка документа подряд забирает дни и двигает цифру слабо.
Добавьте в текст то, чего в нем нет: свои расчеты, разбор конкретного случая, ссылки на страницы источников, собственный вывод в конце каждого параграфа.
Разбейте ровный ритм там, где он ровный. Короткие предложения рядом с длинными, абзацы разного объема, начала абзацев не по одному шаблону.
Сохраните черновики, промежуточные версии файла и переписку с руководителем. Это единственный материал, который говорит о процессе написания, а показатель о процессе не говорит ничего.
Проверьте документ целиком, а не только исправленные разделы. Оценка считается по всему тексту и меняется от правок в других местах.
Шестой пункт стоит того, чтобы завести привычку заранее. История версий документа в облачном редакторе, папка с черновиками по датам, письма с промежуточными главами - все это собирается само по ходу работы, а в спорной ситуации оказывается единственным аргументом на вашей стороне.
Сколько это занимает. Один насыщенный раздел переписывается за вечер, работа в тридцать-сорок страниц целиком - за несколько дней, и планировать такую переработку на последние сутки перед сдачей не стоит. Конкретные приемы правки по абзацам мы вынесли отдельно, в материал про то, как убрать признаки ИИ из текста.
Почему повторная генерация и механическая правка поднимают показатель
Первая реакция на высокую долю у большинства одна: прогнать текст еще раз. Логика понятна, результат обычно обратный ожидаемому.
Повторная генерация той же моделью дает тот же статистический профиль. Более того, вторая версия нередко выходит ровнее первой: запрос на переписывание короче исходного, фактуры в нем меньше, и модель возвращает более гладкий текст.
Прогон через другую модель с задачей «перепиши человечнее» работает так же. Лексика меняется, а ровный ритм и однотипные переходы остаются, потому что их создает сам способ порождения текста.
Автоматическая замена слов бесполезна здесь по той же причине. Синонимайзер ломает термины и портит смысл, а ритм, связки и отсутствие конкретики оставляет на месте, поэтому показатель, как правило, не двигается вообще. Мы такие инструменты не используем и не советуем.
И отдельно про приемы, которые к этому показателю не относятся вовсе. Скрытый текст, подмена символов, замена букв на латиницу живут в другой части проверки: их ловит разбор файла, и работа получает метку о подозрительном документе. Мы так не делаем, и дело не только в этике - для доли сгенерированного текста такие приемы бесполезны, потому что она считается по языку, а не по символам. Что означает эта метка и почему ее снимает только сотрудник вуза, разобрано в материале про подозрительный документ.
Можно ли верить заявленной точности детектора
Про любой детектор, вузовский он или открытый, разработчик называет точность. Числа эти получены на наборах документов, и к вашей работе они не применяются напрямую: они говорят про среднее по коллекции, а не про один конкретный текст.
Ошибки при этом бывают двух видов, и для студента опасен второй. Машинный текст, который прошел незамеченным, для вас не проблема. Проблема - свой текст, отмеченный как сгенерированный, и в заявленной точности эта часть обычно не раскрывается отдельно.
Дальше добавляется неустойчивость на объеме. Чем короче проверяемый фрагмент, тем меньше у статистики материала, поэтому короткое эссе или отдельный параграф дают разброс оценок, какого не бывает на дипломе.
Отсюда практическое следствие, которое видно любому, кто прогонял свой текст в нескольких сервисах. Один и тот же файл в двух инструментах получает разные доли, и обе цифры верны для своего инструмента. Ориентироваться нужно на ту систему, в которой работу будет смотреть кафедра, а открытые проверки считать предварительными: где их взять и в чем их границы, разобрано в статье про то, как проверить текст на ИИ бесплатно.
Честная граница у всего показателя такая. Он не устанавливает авторство и по своей природе не может этого делать, поэтому спор в формате «докажите, что текст писала программа» бесполезен в обе стороны. Апелляция к невозможности доказательства вопрос не закрывает: решение принимает человек, и убеждают его не рассуждения про статистику, а ваш материал - черновики, источники, умение объяснить свои же выводы.
Что изменилось к 2026 году и о чем спросить на кафедре
Три года назад появление такого модуля было новостью, и обсуждали его как эксперимент. Сейчас это обычная строка отчета, которую видят и студент, и руководитель, и вопрос, видит ли Антиплагиат нейросеть, перестал быть теоретическим.
Поменялось при этом не только наличие строки:
Требования по показателю доходят до локальных документов вузов неравномерно. Где-то число уже прописано, где-то стоит отсылка к мнению руководителя, где-то про модуль не написано ничего, хотя в отчете он есть.
Вокруг снижения доли вырос отдельный рынок услуг, и это само по себе признак того, что кафедры начали смотреть на эту строку.
Модуль обновляется, поэтому подборки приемов прошлых лет устаревают вместе с версией, под которую их писали.
Ложные срабатывания на человеческом тексте стали обсуждать открыто, и это работает в пользу студента: разговор про цифру теперь чаще заканчивается разбором текста, а не обвинением.
О чем спросить на кафедре, лучше письмом: есть ли требование по доле сгенерированного текста и какое, считается ли оно по документу целиком или по главам, кто эту строку смотрит, принимаются ли черновики и версии файла как объяснение. Ответы отличаются даже внутри одного вуза, а получить их можно за один вопрос до сдачи вместо разбирательства после.
Общий порядок подготовки к проверке, где эта строка стоит рядом с процентом оригинальности, собран в материале про прохождение антиплагиата. А когда работу проще собрать заново от собственного плана, чем править по абзацам, мы и предлагаем генерацию курсовой: структура и план согласуются до текста, поэтому фактура закладывается сразу, а не добавляется потом под показатель.
