Recenzja wykrywacza AI Pangram (2026): dokładność i wyniki fałszywie dodatnie

Pangram to wykrywacz AI z Pangram Labs, a firma twierdzi, że ma ponad 99% dokładności. Jednocześnie mówi, że błędnie oznacza około 1 na 10 000 ludzkich tekstów. Pangram wskazuje na zewnętrzne badania z University of Chicago oraz University of Maryland, które, jak twierdzi, dały podobne wyniki.

Poniżej omawiamy własne liczby Pangram dotyczące dokładności i wyników fałszywie dodatnich oraz to, co wykazały niezależne badania. Następnie przechodzimy do tego, jak Pangram wykrywa tekst generowany przez AI, jak wypada na tle GPTZero, Copyleaks i Turnitin, a także jego ceny i obsługiwane języki.

Co robi Pangram

Pangram to narzędzie do wykrywania AI stworzone dla szkół, wydawców, kancelarii prawnych i innych organizacji, które muszą odróżniać pisanie człowieka od pisania z pomocą AI. Wklejasz tekst lub przesyłasz plik. Pangram zwraca predykcję: Human, AI-Generated lub AI-Assisted, a także wynik pokazujący, jaka część dokumentu podpada pod każde z tych oznaczeń.

Pangram Labs rozpoczęło działalność w Brooklyn, New York w 2023 roku. Założyciele pracowali nad badaniami nad AI w Tesla oraz Google, zanim uruchomili firmę. Obecnie oferta obejmuje również narzędzie do wykrywania plagiatu dołączane do wykrywacza AI, wykrywacz obrazów generowanych przez AI oraz rozszerzenie do przeglądarki. Narzędzie integruje się też z Gmail, Google Docs oraz systemami zarządzania nauczaniem, takimi jak Canvas, Moodle, Google Classroom i Brightspace. Dostępne jest także API, dla deweloperów, którzy chcą wdrożyć wykrywanie AI w swoich własnych aplikacjach.

Najnowszy model Pangram, Pangram 4, wymaga co najmniej 50 słów wejścia i najlepiej działa na pełnych zdaniach. Krótkie odpowiedzi i punkty listy dają mu mniej materiału do analizy. Każdy wynik zawiera poziom pewności: High, Medium lub Low dla każdego segmentu, wraz z podświetlonymi fragmentami wskazującymi, które zdania model oznacza jako AI-Generated, AI-Assisted lub Human.

Oznaczenie AI-Assisted oznacza, że Pangram uważa, iż AI edytowało lub dopracowało tekst, który osoba zaczęła pisać. Jeśli do części Twojego tekstu użyłeś narzędzia do korekty lub AI rewriter, to to oznaczenie może się pojawić nawet wtedy, gdy pomysły i struktura należą do Ciebie. Sprawdź, co dopuszcza Twoja szkoła lub pracodawca w zakresie narzędzi do edycji AI, zanim uznasz oznaczenie za problem.

Co Pangram twierdzi na temat swojej dokładności

Sekcja FAQ Pangram podaje, że wykrywacz ma ponad 99% dokładności, a wskaźnik fałszywie dodatnich wynosi około 1 na 10 000. Firma twierdzi, że wartość ta jest wyliczana na podstawie publicznych zbiorów danych zawierających dziesiątki milionów dokumentów. Pangram porównuje też swój model z 26 systemami AI i raportuje 99,7% dokładności dla tych próbek generowanych przez AI jako grupy, ponawiając testy po każdej większej aktualizacji modelu.

Pangram publikuje także wyniki dokładności dla pojedynczych modeli:

To są własne dane Pangramu, zmierzone na jego własnych zestawach testowych. Karta modelu Pangram 4 rozbija wyniki dokładniej. Na 519 993 angielskich próbkach wygenerowanych przez AI z 26 modeli Pangram 4 nie wychwycił 0,34% z nich, co jest blisko wskaźnika z nagłówka 99,7%. Karta modelu podaje też 1,24% wskaźnika pominięć na zestawie wielojęzycznym obejmującym 18 języków, więc Pangram wykrywa tekst AI nieco mniej niezawodnie poza językiem angielskim.

Wskaźnik wyników fałszywie dodatnich Pangramu według domeny i języka

Częstość wyników fałszywie dodatnich Pangramu w jego FAQ podaje jeden ogólny wskaźnik: 1 na 10 000. Karta modelu Pangram 4 raportuje dokładniejszą wartość. Spośród 1 000 000 angielskich dokumentów z zestawu FineWeb Pangram 4 miało 41 wyników fałszywie dodatnich, czyli 0,0041%, co jest blisko 1 na 24 000. W wielojęzycznym zestawie 996 273 dokumentów obejmującym 104 języki miało 14 wyników fałszywie dodatnich, czyli 0,0014%.

Wskaźnik zmienia się w zależności od domeny. Karta modelu Pangramu podaje te wskaźniki wyników fałszywie dodatnich:

Dla pisania akademickiego po angielsku karta modelu Pangramu podaje wskaźnik wyników fałszywie dodatnich na poziomie 0,019%, czyli około 1 na 5000 dokumentów. To więcej niż wartość ogólna, a to właśnie ta liczba ma największe znaczenie dla studentów i badaczy. Formalna proza akademicka trzyma się określonych schematów, a w danych Pangramu to właśnie teksty o charakterze formułkowym generują więcej wyników fałszywie dodatnich.

W wpisie Pangramu na blogu dotyczącym wyników fałszywie dodatnich jest napisane, że wskaźnik rośnie dla tekstu krótkiego, niedokończonego, pisanego bez pełnych zdań albo mocno formułkowego, takiego jak przepisy i poezja. Niski poziom utrzymuje się natomiast w przypadku długiej, oryginalnej prozy, na przykład esejów, recenzji i raportów, ponieważ tego typu pisanie daje modelowi więcej materiału do pracy.

Również język ma wpływ na wskaźnik. Karta modelu Pangramu deklaruje oficjalne wsparcie dla 24 języków. Są to: English, Spanish, French, Portuguese, Arabic, Chinese, Japanese, Korean, Russian, Turkish, Hungarian, German, Dutch, Swedish, Romanian, Ukrainian, Polish, Italian, Czech, Greek, Hindi, Persian, Urdu i Vietnamese. Zmierzony wskaźnik wyników fałszywie dodatnich waha się od 0,0000% w językach takich jak Arabic, Chinese i Japanese, do 0,0078% w Portuguese oraz 0,0361% w Ukrainian. Wszystkie te wartości nadal są znacznie poniżej 1 na 1000. Pangram twierdzi też, że potrafi uogólniać na języki spoza tej listy i zachęca do zgłaszania próśb o ocenę nowego języka.

Pangram publikuje także porównania z innymi wykrywaczami. W przypadku recenzji produktów z badań University of Chicago podaje wskaźniki wyników fałszywie dodatnich: 0,5% dla niego samego, 1,7% dla Originality.ai oraz 2,4% dla GPTZero. To są liczby Pangramu, pochodzące z jego własnego bloga.

Badania zewnętrzne, na które powołuje się Pangram

Badanie 2025 University of Chicago Booth wykazało, że wiodące detektory AI oznaczały jako AI ponad 90% niesedytowanego tekstu generowanego przez AI. Większość z nich oznaczała mniej niż połowę, gdy tekst został przepuszczony przez humanizer AI. Pangram był jednym z czterech testowanych detektorów, obok GPTZero, Originality.ai i detektora typu open source RoBERTa. Pangram twierdzi, że był jedynym, który utrzymał swój wskaźnik wyników fałszywie dodatnich poniżej 0,5%, a jednocześnie wykrywał tekst AI.

Pangram przytacza też badanie z czerwca 2026 roku z Vrije Universiteit Brussel. Testowano w nim Pangram, GPTZero, Turnitin i Copyleaks na 160 pracach akademickich autorstwa osób niebędących native speakerami języka angielskiego, podzielonych na tekst ludzki, tekst wygenerowany przez AI, wersje hybrydowe oraz teksty „zhumanizowane”. Pangram twierdzi, że w tym badaniu żadne z czterech narzędzi nie oznaczyło prac napisanych przez człowieka.

Badanie z 2025 roku: Pangram w porównaniu z eksperckimi czytelnikami ludzkimi

Praca z 2025 roku autorstwa J enny Russell, Marzena Karpinska i Mohit Iyyer została opublikowana na konferencji ACL 2025. Sprawdzano, czy osoby, które często korzystają z narzędzi do pisania z użyciem AI, potrafią wykrywać teksty generowane przez AI równie dobrze jak działające automatycznie detektory. Pięciu recenzentów, którzy zadeklarowali częste korzystanie z LLMs do własnego pisania, przeczytało 300 anglojęzycznych artykułów non-fiction. Zestaw mieszał tekst napisany przez ludzi z tekstem z GPT-4o, Claude oraz o1-Pro, w tym część artykułów poddanych działaniu humanizer. Większościowa ocena tych pięciu recenzentów błędnie sklasyfikowała tylko 1 z 300 artykułów.

Artykuł porównał ten panel z pięcioma automatycznymi detektorami: Pangram, GPTZero, Binoculars, Fast-DetectGPT i RADAR. Badacze uruchomili dwa modele Pangram: bazowy detektor oraz osobny model o nazwie Pangram Humanizers, który jest trenowany do wykrywania tekstu przetworzonego przez humanizer. Pangram Humanizers był jedynym detektorem, który dorównał panelowi ekspertów, uzyskując średni wskaźnik prawdziwie pozytywny na poziomie 99,3% oraz wskaźnik fałszywie pozytywny 2,7% w całym zestawie testowym. Bazowy model Pangram osiągnął średni wskaźnik prawdziwie pozytywny 98,0% przy 2% wskaźniku fałszywie pozytywnym w tym samym teście.

Wskaźnik 2,7% fałszywie pozytywnych jest wyższy niż wartość 1 na 10 000, którą Pangram podaje na podstawie własnych ewaluacji. Ten test użył znacznie mniejszego zestawu artykułów, 300 zamiast milionów, na które Pangram wskazuje gdzie indziej. Autorzy ocenili też Pangram wyłącznie na podstawie jego etykiet Human i AI-Generated, nie przyznając mu punktów za neutralną etykietę „Possibly AI”. Zarówno Pangram, jak i GPTZero przyznały badaczom kredyty API, aby uruchomić test.

Jak Pangram wykrywa pisanie z użyciem AI

Pangram twierdzi, że nie korzysta z perplexity ani burstiness, czyli dwóch sygnałów, na których opierają się starsze detektory AI. Perplexity mierzy, jak przewidywalne jest każde słowo dla modelu językowego, a burstiness mierzy, na ile zmienia się ta przewidywalność w obrębie dokumentu. Obydwa te elementy wyjaśniamy w naszym wpisie o perplexity w wykrywaniu AI.

Pangram argumentuje, że detektory oparte na perplexity mylą się na dowolnym tekście, który model zapamiętał podczas treningu, w tym na Deklaracji Niepodległości oraz dużych fragmentach Wikipedii. Modele uczą się przewidywać zapamiętany tekst przy bardzo niskim poziomie perplexity, niezależnie od tego, kto go napisał. Pangram twierdzi też, że metody oparte na perplexity mają wyższy odsetek fałszywie pozytywnych w przypadku tekstów pisanych po angielsku nienative, ponieważ prostsze struktury zdań również są bardziej przewidywalne. Opisujemy ten sam wzorzec fałszywie pozytywnych wyników u autorów piszących po angielsku nienative w tekście, który przygląda się innym detektorom.

Zamiast tego Pangram trenuje model deep learning bezpośrednio na dużych zbiorach tekstów pisanych przez ludzi i generowanych przez AI. Stosuje metodę, którą nazywa hard negative mining, aby znaleźć tekst pisany przez człowieka, który przypadkowo przypomina wyjście AI. Pangram przetwarza całe dokumenty na poziomie tokenów. Oznacza każdy fragment jako Human, AI-Assisted lub AI-Generated, używając wyniku ciągłego, który określa, jak bardzo wygląda na napisany przez AI. Pangram twierdzi, że model poprawia się wraz z tym, jak jest trenowany na większej ilości danych.

Pangram vs GPTZero, Copyleaks i Turnitin

Pangram, GPTZero i Copyleaks są dostępne dla każdego, kto się zarejestruje. Turnitin działa tylko przez konto szkoły lub wydawcy, a osoba wykonująca test zazwyczaj widzi wynik Turnitin dopiero wtedy, gdy przekaże go instruktor.

Omówiliśmy osobno każdy z tych detektorów: zobacz czy GPTZero jest dokładny, czy Copyleaks wykrywa AI oraz czy Turnitin potrafi wykryć tekst zhumanizowany. Wartości dotyczące wyników fałszywie dodatnich w tabeli są wyłącznie twierdzeniami samych firm, tak jak deklarują je Pangram i pozostali dostawcy.

Pangram to samodzielny detektor. Grammarly i Scribbr oferują wykrywanie AI jako część narzędzi do pisania, więc przeanalizowaliśmy osobno detektor AI Grammarly oraz detektor AI Scribbr.

Ceny i limity w darmowym planie

Plan Free firmy Pangram nie wymaga podawania metody płatności. Obejmuje 2 000 słów skanowanych dziennie oraz 3 skany wykrywania obrazów dziennie. Zawiera to przesyłanie plików z OCR, rozszerzenie do przeglądarki, integrację z Google Docs oraz dostęp do API, w ponad 20 językach.

Plan Indywidualny ma 7-dniowy bezpłatny okres próbny, zanim zacznie się opłata US$20 miesięcznie. Rozliczenie roczne oszczędza US$60 rocznie w porównaniu do stawki miesięcznej. Plan Profesjonalny jest rozliczany US$65 od razu, bez okresu próbnego, i pozwala zaoszczędzić US$240 rocznie przy rozliczeniu rocznym. Pangram podaje też osobne ceny dla firm dla zespołów, widoczne po wybraniu zakładki Business na stronie cennika.

Kto korzysta z Pangram

Szkoły i uczelnie stanowią największą część klientów Pangram. Integracje LMS łączą się bezpośrednio z Canvas, Moodle, Google Classroom i Brightspace. Nauczyciel może zobaczyć wynik Pangram obok złożenia ucznia, nie wychodząc z platformy, której już używa do oceniania.

Wydawcy, kancelarie prawne oraz zespoły HR używają Pangram z różnych powodów: do sprawdzania nadesłanych manuskryptów, przeglądania dokumentów w sprawie lub weryfikacji materiałów aplikacyjnych. API pozwala każdej z tych organizacji wbudować wykrywanie Pangram w ich własne narzędzia wewnętrzne. Integracje Gmail i Google Docs umożliwiają jednej osobie sprawdzenie tekstu bez wychodzenia z poczty lub dokumentu.

Dla studenta zwykle oznacza to, że wynik Pangram pojawia się w tym samym panelu sterowania, którego nauczyciel już używa do ocen i informacji zwrotnej. Nie jest to osobny raport, o który trzeba samemu prosić. Jeśli szkoła uruchamia Pangram przez LMS, zapytaj prowadzącego lub dział o to, jaki wynik uznaje się za powód do niepokoju i co dzieje się dalej.

Jeśli wynik Pangram oznacza, że w Twoim tekście mogą występować problemy, to dokumentacja własnego procesu tworzenia jest ważniejsza niż sama dyskusja o wyniku. Opisujemy to w osobnych wpisach o tworzeniu zapisu procesu pisania oraz krokach formalnego odwołania.

Jeśli AI pomogło przygotować część Twojej pracy, nasz academic humanizer przepisuje ten fragment Twoim własnym językiem. Cytowania, terminy techniczne i liczby pozostają dokładnie takie, jak je zapisałeś, a narzędzie zostało zbudowane tak, aby obniżać wyniki AI w tych fragmentach, których dotyka.

Najczęściej zadawane pytania

Q: Czy Pangram jest dokładny?

Pangram twierdzi, że jego dokładność przekracza 99% i że cytuje zewnętrzne badania dające podobne wyniki. Własna karta modelu pokazuje niższą dokładność dla tekstów krótszych niż 50 słów oraz dla niektórych języków innych niż angielski.

Q: Jaki jest współczynnik fałszywie dodatnich wyników Pangram?

Często zadawane pytania w Pangram podają łączny wskaźnik na poziomie około 1 na 10 000. Karta modelu Pangram 4 podaje bardziej szczegółową wartość 0,0041%, czyli około 1 na 24 000, zmierzoną na 1 000 000 angielskich dokumentów. Wskaźnik różni się w zależności od dziedziny i języka.

Q: Jak Pangram wypada w porównaniu z GPTZero?

Pangram twierdzi, że jego wskaźnik fałszywych trafień wynosi około 1 na 10 000, a GPTZero podaje około 1% w benchmarku RAID. Obie usługi mają plany bezpłatne i otwartą rejestrację. Liczbowe dane GPTZero omawiamy w naszej recenzji dokładności GPTZero.

Q: Jak Pangram wypada w porównaniu z Turnitin?

Turnitin działa wyłącznie przez konto szkolne lub wydawnicze, podczas gdy każdy może zarejestrować się w Pangram bezpośrednio. Pangram powołuje się na wskaźnik fałszywych trafień na poziomie 0,51% w akademickim piśmiennictwie z własnego whitepapera Turnitin i raportuje niższy wskaźnik dla siebie.

Q: Jak Pangram wypada w porównaniu z Copyleaks?

Copyleaks podaje, że jego wskaźnik fałszywych trafień wynosi około 0,2%, a Pangram raportuje niższy wskaźnik dla siebie. Obie usługi oferują bezpłatne skany, a my omawiamy Copyleaks w czy Copyleaks wykrywa AI.

Q: Jak Pangram wykrywa tekst generowany przez AI?

Pangram korzysta z modelu uczenia głębokiego wytrenowanego na tekście ludzkim i tekstach tworzonych przez AI. Nie używa perplexity i burstiness, czyli miar, na których opiera się wiele starszych detektorów. Oznacza każdy segment dokumentu jako Human, AI-Assisted lub AI-Generated i podaje poziom ufności dla wyniku.

Q: Czy detektor AI Pangram jest darmowy?

Tak, bezpłatny plan nie wymaga podawania metody płatności i obejmuje codziennie skanowanie 2 000 słów tekstu oraz 3 skany obrazów. Płatne plany zaczynają się od US$20 miesięcznie, rozliczane co roku, za 300 000 słów miesięcznie oraz wykrywanie plagiatu.

Q: Czy Pangram wykrywa tekst przerobiony przez humanizer?

Pangram twierdzi, że wykrywa, i wskazuje na poparcie badanie Chicago Booth z 2025 roku. Detektory i humanizer’y aktualizują się często, więc wyniki dla tekstu poddanego humanizacji mogą zmieniać się w czasie.

Q: Co badanie Uniwersytetu Maryland ustaliło na temat Pangram?

Praca naukowa z 2025 roku na Uniwersytecie Maryland wykazała, że model Pangram uwzględniający humanizację, Pangram Humanizers, był jedynym automatycznym detektorem, który dorównał panelowi pięciu eksperckich czytelników. Obie metody uzyskały średni 99,3% wskaźnik true positive rate na 300 artykułach testowych. W tym konkretnym teście wskaźnik fałszywych trafień Pangram wyniósł 2,7%, czyli był znacznie wyższy niż 1 na 10 000, który raportuje na podstawie własnych szerszych ewaluacji.

Q: Kto stoi za Pangram?

Pangram Labs to firma stojąca za Pangram, założona w 2023 roku w Brooklynie w Nowym Jorku przez byłych badaczy AI z Tesla i Google. Firma sprzedaje też narzędzie do wykrywania plagiatu, detektor obrazów generowanych przez AI oraz dostęp do API razem z jej detektorem tekstu.

Akademicki humanizer AI

Przerabia akademickie szkice wspomagane przez AI na Twój własny styl, pozostawiając cytowania, terminy techniczne i liczby dokładnie w postaci, w jakiej je napisałeś.