بررسی دتکتور AI پنگرام (2026): دقت و خطای مثبت کاذب
آیا دتکتور AI پنگرام دقیق است؟ این محصول ادعا می کند دقت 99%+ و نرخ خطای مثبت کاذب 1 در 10,000 دارد. ببینید مطالعات مستقل چه چیزی پیدا کرده اند و چگونه با هم مقایسه می شود.
پنگرام یک دتکتور هوش مصنوعی از Pangram Labs است و این شرکت می گوید دقت آن بیش از 99% است. همچنین می گوید به طور نادرست حدود 1 در 10,000 متن انسانی را پرچم گذاری می کند. پنگرام به مطالعات بیرونی از University of Chicago و University of Maryland اشاره می کند که مدعی است نتایج مشابهی یافته اند.
در ادامه، آمار دقت و نرخ خطای مثبت کاذب پنگرام را بررسی می کنیم و می بینیم مطالعات مستقل چه یافته هایی داشته اند. سپس توضیح می دهیم پنگرام چگونه متن AI را تشخیص می دهد، با GPTZero، Copyleaks و Turnitin چه تفاوتی دارد، و قیمت و پشتیبانی زبانی آن را مرور می کنیم.
پنگرام چه کاری انجام می دهد
پنگرام یک ابزار تشخیص AI است که برای مدارس، ناشران، شرکت های حقوقی و سایر سازمان هایی ساخته شده که باید تفاوت بین نوشتار انسانی و AI را مشخص کنند. متن را کپی می کنید یا یک فایل را بارگذاری می کنید. پنگرام یک پیش بینی با عنوان Human، AI-Generated یا AI-Assisted به شما برمی گرداند و همچنین امتیازی ارائه می دهد که چقدر از سند در هر برچسب قرار می گیرد.
Pangram Labs در سال 2023 در Brooklyn، York بنیان گذاشته شد. بنیان گذاران آن پیش از راه اندازی شرکت، روی پژوهش های AI در Tesla و Google کار می کردند. اکنون خط محصول شامل یک ابزار بررسی سرقت ادبی است که همراه با دتکتور AI ارائه می شود، یک دتکتور تصویر AI و یک افزونه مرورگر. همچنین با Gmail، Google Docs و سامانه های مدیریت یادگیری مانند Canvas، Moodle، Google Classroom و Brightspace یکپارچه می شود. یک API نیز در دسترس است برای توسعه دهندگانی که می خواهند تشخیص AI را داخل برنامه های خود بگنجانند.
مدل جدید پنگرام، Pangram 4، به حداقل 50 کلمه ورودی نیاز دارد و بهترین عملکرد را روی جمله های کامل دارد. پاسخ های کوتاه و فهرست های بولت دار، داده کافی در اختیارش قرار نمی دهند. هر نتیجه برای هر بخش سطح اطمینان High، Medium یا Low را شامل می شود و همچنین بخش هایی را که مدل آن ها را AI-Generated، AI-Assisted یا Human برچسب گذاری می کند، برجسته می کند.
برچسب AI-Assisted یعنی پنگرام فکر می کند نوشتاری که فرد شروع کرده توسط AI ویرایش یا صیقل داده شده است. اگر برای بخش هایی از متن از یک ابزار ویرایش گرامر یا یک بازنویسگر AI استفاده کرده باشید، ممکن است این برچسب حتی زمانی هم که ایده ها و ساختار از خودتان است دیده شود. قبل از اینکه این برچسب را مشکل تلقی کنید، ببینید مدرسه یا کارفرمای شما برای ابزارهای ویرایش AI چه اجازه ای می دهد.
پنگرام چه ادعاهایی درباره دقت خود دارد
FAQ پنگرام بیان می کند که دتکتور بیش از 99% دقیق است و نرخ خطای مثبت کاذب آن حدود 1 در 10,000 است. این شرکت می گوید این رقم با محاسبه روی مجموعه داده های عمومی که شامل ده ها میلیون سند است به دست آمده است. پنگرام همچنین مدل خود را در برابر 26 سیستم AI معیارگذاری می کند و گزارش می دهد که در نمونه های تولیدشده توسط AI، به طور گروهی 99.7% دقت داشته است؛ و بعد از هر انتشار مهم مدل، دوباره آزمون را انجام می دهد.
پنگرام همچنین آمار دقت را برای مدل های فردی هم منتشر می کند:
| مدل AI | دقتی که پنگرام گزارش کرده | آزمون شده |
|---|---|---|
| Claude Opus 5 | 99.8% | ژوئیه 2026 |
| GPT-5.6 | 99.6% | ژوئیه 2026 |
| Gemini 3 | 99.5% | ژوئیه 2026 |
| Grok 4.3 | 99.4% | ژوئیه 2026 |
اینها ارقام اختصاصی Pangram هستند که روی مجموعه های آزمون خودِ Pangram اندازه گیری شده اند. کارت مدل Pangram 4 تعداد را دقیق تر تفکیک می کند. در 519,993 نمونه انگلیسی تولیدشده با AI از 26 مدل، Pangram 4 از میان آن ها 0.34% را از دست داد، نزدیک به رقم تیتر 99.7%. کارت مدل همچنین نرخ خطای 1.24% را روی یک مجموعه چندزبانه که 18 زبان را پوشش می دهد فهرست کرده است، بنابراین Pangram تشخیص متن AI را کمی کم تر از انگلیسی به طور قابل اعتماد انجام می دهد.
نرخ مثبت کاذب Pangram بر حسب حوزه و زبان
FAQ پانگرام یک نرخ کلی مثبت کاذب را 1 در 10,000 اعلام می کند. کارت مدل Pangram 4 عدد دقیق تری ارائه می دهد. در میان 1,000,000 سند انگلیسی از مجموعه داده FineWeb، Pangram 4 تعداد 41 مثبت کاذب داشته است، یا 0.0041%، نزدیک به 1 در 24,000. در یک مجموعه چندزبانه شامل 996,273 سند در 104 زبان، 14 مثبت کاذب داشته است، یا 0.0014%.
این نرخ بر اساس حوزه تغییر می کند. کارت مدل Pangram این نرخ های مثبت کاذب را فهرست می کند:
| حوزه | نرخ مثبت کاذب |
|---|---|
| نوشتار آکادمیک (انگلیسی) | 0.019% |
| اخبار (چندزبانه) | 0.003% |
| نوشته های خلاقانه، بلندفرم | 0.000% |
| مقاله های پژوهشی زیست پزشکی | 0.002% |
| مقاله های راهنما (چندزبانه) | 0.016% |
| فیلمنامه های فیلم | 0.010% |
| شعر | 0.078% |
| دستور غذا | 0.049% |
برای نوشتار آکادمیک انگلیسی، کارت مدل Pangram نرخ مثبت کاذبی برابر با 0.019% معرفی می کند، یعنی حدود 1 در 5,000 سند. این مقدار از رقم کلی آن بالاتر است و همین عدد بیشتر از همه برای دانشجویان و پژوهشگران اهمیت دارد. نثر آکادمیک رسمی الگوهای از پیش تعیین شده دارد و متن های فرمولی جایی هستند که داده های اختصاصی Pangram نشان می دهد مثبت کاذب بیشتری رخ می دهد.
پست وبلاگ Pangram درباره مثبت های کاذب می گوید که نرخ مثبت کاذب در متنی که کوتاه است، در جملات کامل نوشته نشده یا بسیار فرمولی است، مانند دستور غذا و شعر، افزایش می یابد. همچنین می گوید نرخ در متن های بلند، اصیل و مانند مقاله ها، بررسی ها و گزارش ها پایین می ماند، چون از این نوع نوشتار مدل داده بیشتری برای کار کردن دریافت می کند.
زبان هم نرخ را تغییر می دهد. کارت مدل Pangram پشتیبانی رسمی از 24 زبان را فهرست می کند. این زبان ها عبارتند از: انگلیسی، اسپانیایی، فرانسوی، پرتغالی، عربی، چینی، ژاپنی، کره ای، روسی، ترکی، مجاری، آلمانی، هلندی، سوئدی، رومانیایی، اوکراینی، لهستانی، ایتالیایی، چکی، یونانی، هندی، فارسی، اردو و ویتنامی. نرخ مثبت کاذب اندازه گیری شده آن از 0.0000% در زبان هایی مانند عربی، چینی و ژاپنی تا 0.0078% در پرتغالی و 0.0361% در اوکراینی متغیر است. با این حال، همه این ارقام هنوز بسیار پایین تر از 1 در 1,000 هستند. Pangram می گوید می تواند به زبان هایی خارج از این فهرست هم تعمیم یابد و درخواست ها برای ارزیابی یک زبان جدید را دعوت می کند.
Pangram همچنین مقایسه هایی با سایر تشخیص دهنده ها منتشر می کند. در بررسی های محصول از پژوهش دانشگاه شیکاگو، نرخ مثبت کاذب را برای خودش 0.5%، برای Originality.ai برابر با 1.7% و برای GPTZero برابر با 2.4% گزارش می کند. اینها ارقام Pangram هستند که از وبلاگ خودش آمده اند.
مطالعات بیرونی که Pangram به آن ها استناد می کند
یک مطالعه Booth دانشگاه شیکاگو در سال 2025 نشان داد که تشخیص دهنده های برجسته AI بیش از 90% از متن AI بدون ادیت را پرچم گذاری کردند. بیشتر آن ها وقتی متن از مسیر یک humanizer هوش مصنوعی گذشت، کمتر از نصف آن را پرچم گذاری کردند. Pangram یکی از چهار تشخیص دهنده ای بود که آزمایش شد، همراه با GPTZero، Originality.ai و تشخیص دهنده متن باز RoBERTa. Pangram می گوید تنها تشخیص دهنده ای بود که در عین تشخیص متن AI، نرخ مثبت کاذب خود را زیر 0.5% نگه داشت.
Pangram همچنین به یک مطالعه مربوط به ژوئیه 2026 از Vrije Universiteit Brussel اشاره می کند. در این مطالعه، Pangram، GPTZero، Turnitin و Copyleaks روی 160 مقاله آکادمیک نوشته شده توسط انگلیسی زبانان غیر بومی آزمایش شدند که بین حالت های انسانی، تولیدشده با AI، ترکیبی و انسانی سازی شده تقسیم شده بودند. Pangram می گوید هیچ یک از این چهار ابزار در آن مطالعه مقالات نوشته شده توسط انسان را پرچم گذاری نکرد.
یک مطالعه در سال 2025: Pangram در برابر خوانندگان انسانی متخصص
یک مقاله پژوهشی 2025 توسط Jenna Russell، Marzena Karpinska و Mohit Iyyer در ACL 2025 منتشر شد. این مقاله بررسی کرد آیا افرادی که اغلب از ابزارهای نوشتن مبتنی بر هوش مصنوعی استفاده می کنند، می توانند متن تولیدشده توسط هوش مصنوعی را به همان خوبی که آشکارسازهای خودکار تشخیص می دهند، تشخیص دهند یا نه. پنج برچسب گذار که گفتند به طور مکرر از LLMها برای نوشتن خودشان استفاده می کنند، 300 مقاله انگلیسی غیرداستانی را مطالعه کردند. این مجموعه ترکیبی از متن های نوشته شده توسط انسان با متن های تولیدشده توسط GPT-4o، Claude و o1-Pro بود، از جمله چند مقاله که با یک humanizer اجرا شده بودند. رای گیری اجماعی آن پنج برچسب گذار فقط 1 مورد از 300 مقاله را اشتباه تشخیص داد.
این مقاله آن پنل را با پنج آشکارساز خودکار مقایسه کرد: Pangram، GPTZero، Binoculars، Fast-DetectGPT و RADAR. پژوهشگران دو مدل Pangram را اجرا کردند، مدل پایه آن و یک مدل جداگانه به نام Pangram Humanizers که برای تشخیص متنی آموزش دیده که در مسیر یک humanizer قرار گرفته است. Pangram Humanizers تنها آشکارساز بود که با پنل کارشناسان همخوانی داشت، با نرخ میانگین تشخیص درست برای موارد مثبت (true positive) برابر 99.3% و نرخ مثبت کاذب (false positive) برابر 2.7% در سراسر مجموعه آزمون. مدل پایه Pangram به نرخ میانگین تشخیص درست 98.0% رسید، با نرخ مثبت کاذب 2% در همان آزمون.
نرخ مثبت کاذب 2.7% از عدد 1 در 10,000 که Pangram از ارزیابی های خود گزارش می دهد بالاتر است. این آزمون از مجموعه ای بسیار کوچک تر از مقالات استفاده کرد، 300 مقاله به جای میلیون هایی که Pangram در جای دیگری به آن ها اشاره می کند. مقاله همچنین Pangram را فقط با برچسب های Human و AI-Generated نمره داد، بدون اینکه به آن برای برچسب خنثی «Possibly AI» امتیاز بدهد. Pangram و GPTZero هر دو به پژوهشگران اعتبار API دادند تا آزمون را اجرا کنند.
بازنویسی بخش پرچم گذاری شده توسط AI با صدای خودتان
humanizer هوش مصنوعی دانشگاهی ما بخش های دارای کمک AI را بازنویسی می کند، در حالی که استنادها، اصطلاحات فنی و اعداد دقیقاً همان طور که نوشته اید حفظ می شوند.
دریافت رایگان ProofreaderPro.aiPangram چگونه نوشتار مبتنی بر هوش مصنوعی را تشخیص می دهد
Pangram می گوید از perplexity یا burstiness استفاده نمی کند، دو نشانه ای که بیشتر آشکارسازهای قدیمی تر به آن ها تکیه می کنند. Perplexity میزان قابل پیش بینی بودن هر کلمه را برای یک مدل زبانی اندازه گیری می کند، و burstiness میزان تغییر این قابل پیش بینی بودن را در طول یک سند می سنجد. هر دوی آن ها را در مطلب خودمان درباره perplexity در تشخیص AI توضیح می دهیم.
Pangram استدلال می کند آشکارسازهای مبتنی بر perplexity روی هر متنی که یک مدل در طول آموزش حفظ کرده باشد، خطا می زنند، از جمله Declaration of Independence و بخش های بزرگی از Wikipedia. مدل ها با perplexity بسیار پایین یاد می گیرند متن های حفظ شده را پیش بینی کنند، صرف نظر از اینکه چه کسی آن را نوشته است. Pangram همچنین می گوید روش های مبتنی بر perplexity نرخ مثبت کاذب بالاتری روی نوشتار انگلیسی غیرمادری دارند، زیرا ساختارهای ساده تر جمله نیز قابل پیش بینی تر هستند. همان الگوی مثبت کاذب برای نویسندگان انگلیسی غیرمادری را در مطلبی پوشش می دهیم که به دیگر آشکارسازها هم می پردازد.
در عوض، Pangram یک مدل یادگیری عمیق را مستقیما روی مجموعه های بزرگی از متن انسانی و متن مبتنی بر هوش مصنوعی آموزش می دهد. این مدل از روشی استفاده می کند که آن را hard negative mining می نامد تا نوشتار انسانی ای را پیدا کند که به طور اتفاقی شبیه خروجی AI باشد. Pangram کل اسناد را در سطح توکن پردازش می کند. این مدل هر بخش را با برچسب های Human، AI-Assisted یا AI-Generated برچسب گذاری می کند و برای اینکه چه میزان از آن بخش شبیه نوشته AI به نظر می رسد، یک امتیاز پیوسته ارائه می دهد. Pangram می گوید مدل با آموزش روی داده های بیشتر بهتر می شود.
Pangram در برابر GPTZero، Copyleaks و Turnitin
Pangram، GPTZero و Copyleaks برای هر کسی که ثبت نام کند در دسترس هستند. Turnitin فقط از طریق حساب مدرسه یا ناشر کار می کند، و معمولاً یک آزمون دهنده به صورت فردی فقط در صورتی نمره Turnitin را می بیند که یک مدرس آن را به او منتقل کند.
| آشکارساز | دسترسی | ادعای فروشنده درباره نرخ مثبت کاذب | پلن رایگان |
|---|---|---|---|
| Pangram | ثبت نام آزاد | حدود 1 در 10,000 در مجموع | 2,000 کلمه در روز |
| GPTZero | ثبت نام آزاد | حدود 1% | 10,000 کاراکتر برای هر اسکن |
| Copyleaks | ثبت نام آزاد | حدود 0.2% | اسکن های رایگان محدود |
| Turnitin | فقط برای مدارس و ناشران | 0.51% در نوشتار دانشگاهی | برای افراد در دسترس نیست |
ما هر یک از این آشکارسازها را جداگانه پوشش داده ایم: ببینید آیا GPTZero دقیق است، آیا Copyleaks هوش مصنوعی را تشخیص می دهد و آیا Turnitin می تواند متنِ humanized AI شده را تشخیص دهد. ارقام مربوط به مثبت کاذبِ داخل جدول، ادعاهای اختصاصی هر شرکت هستند؛ همان گونه که Pangram و دیگر فروشندگان آن ها را مطرح می کنند.
Pangram یک آشکارساز مستقل است. Grammarly و Scribbr تشخیص AI را به عنوان بخشی از ابزارهای نگارش خود ارائه می دهند، و ما به طور جداگانه آشکارساز AI Grammarly و آشکارساز AI Scribbr را بررسی کرده ایم.
قیمت گذاری و محدودیت های پلن رایگان
پلن رایگان Pangram نیازی به روش پرداخت ندارد. روزانه 2,000 کلمه برای اسکن متن و روزانه 3 اسکن تشخیص تصویر را پوشش می دهد. این شامل آپلود فایل با OCR، افزونه مرورگر، یکپارچه سازی با Google Docs و دسترسی از طریق API است، و در بیش از 20 زبان پشتیبانی می شود.
| پلن | قیمت | این پلن چه چیزی اضافه می کند |
|---|---|---|
| رایگان | US$0 در ماه | 2,000 کلمه در روز، 3 اسکن تصویر در روز |
| فردی | US$20 در ماه، صورتحساب سالانه | 300,000 کلمه در ماه، 100 اسکن تصویر در ماه، تشخیص سرقت ادبی، یکپارچه سازی با Gmail |
| حرفه ای | US$65 در ماه، صورتحساب سالانه | 5 برابرِ تعداد کلمات و اسکن های تصویر پلن فردی، به علاوه US$200 اعتبار ماهانه API |
پلن فردی قبل از شروع شارژ ماهانه US$20، یک دوره آزمایشی 7 روزه رایگان دارد و صورتحساب سالانه، در مقایسه با نرخ ماهانه، سالانه US$60 صرفه جویی می کند. پلن حرفه ای از همان ابتدا و بدون دوره آزمایشی با قیمت US$65 صورتحساب می شود و در صورت پرداخت سالانه، سالانه US$240 صرفه جویی می کند. Pangram همچنین قیمت گذاری جداگانه برای کسب و کارها را برای تیم ها اعلام می کند که پس از انتخاب تب Business در صفحه قیمت گذاری آن نمایش داده می شود.
چه کسانی از Pangram استفاده می کنند
مدارس و دانشگاه ها بزرگ ترین گروه مشتریان Pangram هستند. یکپارچه سازی های LMS آن به طور مستقیم به Canvas، Moodle، Google Classroom و Brightspace متصل می شود. یک معلم می تواند نتیجه Pangram را کنار ارسال دانش آموز، بدون ترک پلتفرمی که همین حالا برای نمره دهی استفاده می کند، مشاهده کند.
ناشران، شرکت های حقوقی و تیم های HR از Pangram با اهداف متفاوت استفاده می کنند: بررسی نسخه های ارسال شده، مرور اسناد در یک پرونده یا غربالگری مدارک متقاضیان. API به هر یک از این سازمان ها اجازه می دهد تشخیص Pangram را داخل ابزارهای داخلی خودشان ادغام کنند. یکپارچه سازی های Gmail و Google Docs هم امکان می دهند یک نفر بدون ترک ایمیل یا سند خود، متن را بررسی کند.
برای یک دانش آموز، این معمولاً یعنی امتیاز Pangram داخل همان داشبوردی ظاهر می شود که معلم تان از قبل برای نمره ها و بازخورد استفاده می کند. این یک گزارش جداگانه نیست که خودتان باید درخواستش کنید. اگر مدرسه شما Pangram را از طریق یک LMS اجرا می کند، از استاد یا بخش مربوطه بپرسید کدام امتیاز نگران کننده محسوب می شود و بعدش چه اتفاقی می افتد.
اگر نتیجه Pangram نوشتار شما را پرچم گذاری کند، داشتن یک سابقه از فرایند پیش نویس نویسیِ خودتان، بیشتر از بحث کردن صرف درباره امتیاز اهمیت دارد. ما این موضوع را در پست های جداگانه به تفصیل بررسی کرده ایم: چگونه یک سابقه از فرایند پیش نویس نویسی بسازید و مراحل برای یک درخواست تجدیدنظر رسمی.
اگر AI در نگارش بخشی از مقاله شما کمک کرده باشد، humanizer هوش مصنوعی همان بخش را با صدای خودتان بازنویسی می کند. استنادها، اصطلاحات فنی و اعداد دقیقاً همان طور که نوشته اید باقی می مانند و این ابزار طوری طراحی شده است که امتیازهای AI را برای بخش هایی که روی آن ها کار می کند کاهش دهد.
پرسش‌های متداول
Q: آیا Pangram دقیق است؟
Pangram می گوید دقت آن بیش از 99% است و با مطالعه های بیرونی که نتایج مشابهی داشته اند استناد می کند. کارت مدل خودِ آن برای متن هایی با کمتر از 50 کلمه و همچنین برخی زبان ها به جز انگلیسی، دقت پایین تری نشان می دهد.
Q: نرخ مثبت کاذب Pangram چقدر است؟
گزارش Pangram's FAQ نرخ کلی حدود 1 در 10,000 را اعلام می کند. کارت مدل Pangram 4 یک رقم دقیق تر 0.0041%، یا حدود 1 در 24,000، را گزارش می کند که روی 1,000,000 سند انگلیسی اندازه گیری شده است؛ این نرخ بسته به حوزه و زبان متفاوت است.
Q: Pangram در مقایسه با GPTZero چگونه است؟
Pangram می گوید نرخ مثبت کاذب آن حدود 1 در 10,000 است، و GPTZero می گوید حدود 1% در معیار RAID. هر دو برنامه رایگان و ثبت نام باز دارند. ما اعداد اختصاصی GPTZero را در بررسی دقت آیا GPTZero دقیق است؟ نتایج آزمایش های مستقل چه می گویند (2026) پوشش می دهیم.
Q: Pangram در مقایسه با Turnitin چگونه است؟
Turnitin فقط از طریق حساب مدرسه یا ناشر کار می کند، در حالی که هر کسی می تواند مستقیما برای Pangram ثبت نام کند. Pangram به نرخ مثبت کاذب 0.51% در نگارش دانشگاهی بر اساس وایت پیپر اختصاصی Turnitin اشاره می کند و برای خود نرخ پایین تری گزارش می دهد.
Q: Pangram در مقایسه با Copyleaks چگونه است؟
Copyleaks می گوید نرخ مثبت کاذب آن حدود 0.2% است، و Pangram نرخ پایین تری برای خود گزارش می کند. هر دو اسکن های رایگان ارائه می دهند و Copyleaks را در آیا Copyleaks تشخیص‌دهنده AI است؟ دقت و آنچه باید انجام دهید پوشش می دهیم.
Q: Pangram چگونه نوشتار مبتنی بر AI را تشخیص می دهد؟
Pangram از یک مدل یادگیری عمیق آموزش دیده روی متن انسانی و متن تولید شده با AI استفاده می کند. از perplexity و burstiness استفاده نمی کند، دو معیاری که بسیاری از آشکارسازهای قدیمی به آن ها تکیه می کردند. این ابزار هر بخش از یک سند را با برچسب Human، AI-Assisted یا AI-Generated مشخص می کند و برای نتیجه سطح اطمینان ارائه می دهد.
Q: آیا آشکارساز AI Pangram استفاده اش رایگان است؟
بله، پلن Free هیچ روش پرداختی نیاز ندارد و روزانه 2,000 کلمه برای اسکن متن به علاوه 3 اسکن تصویر را پوشش می دهد. پلن های پولی از US$20 در ماه شروع می شوند و سالانه صورتحساب می شود، شامل 300,000 کلمه در ماه و همچنین تشخیص سرقت ادبی.
Q: آیا Pangram متنِ اجرا شده از طریق humanizer را تشخیص می دهد؟
Pangram می گوید بله، و آن را با استناد به مطالعه 2025 Chicago Booth به عنوان پشتیبانی مطرح می کند. هم آشکارسازها و هم humanizer ها اغلب به روز می شوند، بنابراین نتایج روی متن humanized می تواند در طول زمان تغییر کند.
Q: مطالعه دانشگاه Maryland درباره Pangram چه چیزی پیدا کرد؟
یک مقاله 2025 از دانشگاه Maryland نشان داد که مدل humanizer-aware پانگِرام، یعنی Pangram Humanizers، تنها آشکارساز خودکار بود که توانست با یک پنل از پنج خواننده انسانی متخصص همسان شود. هر دو به میانگین نرخ مثبت واقعی 99.3% در میان 300 مقاله آزمایشی رسیدند. نرخ مثبت کاذب Pangram در همین آزمون مشخص 2.7% بود که بسیار بالاتر از نرخ 1 در 10,000 است که از ارزیابی های بزرگ تر خود گزارش می کند.
Q: چه کسی Pangram را می سازد؟
Pangram Labs شرکتی است که پشت Pangram قرار دارد. این شرکت در بروکلین، نیویورک، در سال 2023 توسط پژوهشگران سابق AI از Tesla و Google تأسیس شد. این شرکت همچنین همراه با آشکارساز متنی خود، یک ابزار بررسی سرقت ادبی، یک آشکارساز تصویرِ مبتنی بر AI و دسترسی API را هم می فروشد.
پیش نویس های آکادمیکِ AI-Assisted را با صدای خودتان بازنویسی می کند، در حالی که نقل قول ها، اصطلاحات فنی و اعداد را دقیقا همان طور که نوشته اید باقی می گذارد.
دانا یک تولید کننده محتوا در ProofreaderPro است، جایی که او وبلاگ روزانه و عملیات نوشتن را اداره می کند. او مقالاتی را در مورد نحوه عملکرد پلتفرم ویرایش آنلاین می نویسد و هر روز با پیام های مشتری رسیدگی می کند و امتیاز رضایت پنج ستاره را نشان می دهد.
