รีวิว Pangram AI Detector (2026): ความแม่นยำและผลบวกลวง

Pangram เป็น AI detector จาก Pangram Labs และบริษัทกล่าวว่ามีความแม่นยำมากกว่า 99% นอกจากนี้ยังระบุว่าไปปักธงผิดกับข้อความของมนุษย์ประมาณ 1 ใน 10,000 Pangram อ้างอิงการศึกษาจากภายนอกของ University of Chicago และ University of Maryland ซึ่งกล่าวว่าพบผลลัพธ์ใกล้เคียงกัน

ด้านล่าง เราจะพิจารณาตัวเลขความแม่นยำและอัตราผลบวกลวงของ Pangram เอง รวมถึงผลที่การศึกษาจากภายนอกพบ จากนั้นจะอธิบายว่า Pangram ตรวจจับข้อความที่เป็น AI อย่างไร เทียบกับ GPTZero, Copyleaks และ Turnitin ตลอดจนราคาและการรองรับภาษา

สิ่งที่ Pangram ทำ

Pangram เป็นเครื่องมือสำหรับตรวจจับ AI ที่สร้างมาสำหรับโรงเรียน สำนักพิมพ์ บริษัทกฎหมาย และองค์กรอื่นๆ ที่ต้องการแยกให้ออกระหว่างงานเขียนของมนุษย์และของ AI คุณวางข้อความหรืออัปโหลดไฟล์ จากนั้น Pangramจะแสดงผลคาดการณ์ว่าเป็น Human, AI-Generated หรือ AI-Assisted พร้อมคะแนนว่าข้อความในเอกสารอยู่ในแต่ละป้ายกำกับมากน้อยเพียงใด

Pangram Labs เริ่มต้นใน Brooklyn, York สหรัฐอเมริกา ในปี 2023 ผู้ก่อตั้งเคยทำวิจัยด้าน AI ที่ Tesla และ Google ก่อนเริ่มก่อตั้งบริษัท ผลิตภัณฑ์ปัจจุบันรวมถึงเครื่องมือตรวจการลอกเลียนแบบที่ต่อพ่วงมากับ AI detector ตัวตรวจจับภาพที่สร้างด้วย AI และส่วนขยายสำหรับเบราว์เซอร์ นอกจากนี้ยังเชื่อมต่อกับ Gmail, Google Docs และระบบการจัดการการเรียนรู้ เช่น Canvas, Moodle, Google Classroom และ Brightspace มี API ให้ด้วยสำหรับนักพัฒนาที่ต้องการใส่การตรวจจับ AI เข้าไปในแอปของตนเอง

โมเดลล่าสุดของ Pangram คือ Pangram 4 ต้องมีข้อมูลอย่างน้อย 50 คำ และทำงานได้ดีที่สุดกับประโยคที่เขียนครบถ้วน ข้อความสั้นๆ และรายการแบบ bullet ให้ข้อมูลน้อยเกินไปสำหรับระบบ แต่ละผลลัพธ์จะมีระดับความมั่นใจเป็น High, Medium หรือ Low สำหรับทุกส่วน พร้อมส่วนที่ถูกไฮไลต์ซึ่งบอกว่าประโยคใดถูกโมเดลติดป้ายเป็น AI-Generated, AI-Assisted หรือ Human

ป้ายกำกับ AI-Assisted หมายความว่า Pangram เห็นว่างานเขียนที่มนุษย์เริ่มต้นมานั้นมีการแก้ไขหรือขัดเกลาด้วย AI หากคุณใช้เครื่องมือไวยากรณ์หรือ AI rewriter กับบางส่วนของข้อความ ป้ายกำกับนี้อาจปรากฏ แม้เนื้อหา แนวคิด และโครงสร้างจะเป็นของคุณเอง ตรวจสอบก่อนว่าโรงเรียนหรือที่ทำงานของคุณอนุญาตให้ใช้เครื่องมือแก้ไขงานด้วย AI ได้แค่ไหน ก่อนจะมองว่าป้ายกำกับนั้นเป็นปัญหา

สิ่งที่ Pangram อ้างถึงความแม่นยำ

หน้า FAQ ของ Pangram ระบุว่าเครื่องมือนี้มีความแม่นยำมากกว่า 99% โดยมีอัตราผลบวกลวงประมาณ 1 ใน 10,000 ระบบกล่าวว่าตัวเลขนี้คำนวณจากชุดข้อมูลสาธารณะที่มีเอกสารหลายสิบล้านฉบับ Pangram ยังนำโมเดลไปเทียบกับระบบ AI จำนวน 26 ระบบ และรายงานความแม่นยำ 99.7% สำหรับตัวอย่างที่สร้างด้วย AI ในภาพรวม โดยทำการทดสอบซ้ำหลังจากการเปิดตัวโมเดลสำคัญแต่ละครั้ง

Pangram เผยแพร่ตัวเลขความแม่นยำของโมเดลแต่ละตัวด้วยเช่นกัน:

ตัวเลขเหล่านี้เป็นตัวเลขเฉพาะของ Pangram ที่วัดจากชุดทดสอบของ Pangram เอง การ์ดโมเดล Pangram 4 ของ Pangram ระบุรายละเอียดเพิ่มเติม จากตัวอย่างที่เป็นข้อความ AI ที่สร้างขึ้นภาษาอังกฤษจำนวน 519,993 ชุด จาก 26 โมเดล Pangram 4 พลาด 0.34% คิดใกล้เคียงกับตัวเลขหัวข้อ 99.7% มาก การ์ดโมเดลยังระบุอัตราพลาด 1.24% บนชุดหลายภาษา ครอบคลุม 18 ภาษา ดังนั้น Pangram จึงตรวจจับข้อความที่เป็น AI ได้ค่อนข้างน้อยลงเมื่ออยู่นอกภาษาอังกฤษ

อัตราบวกปลอมของ Pangram แยกตามโดเมนและภาษา

คำถามที่พบบ่อยของ Pangram ระบุอัตราบวกปลอมโดยรวมเพียงค่าเดียวคือ 1 ใน 10,000 สำหรับการ์ดโมเดล Pangram 4 นั้นรายงานตัวเลขที่เฉพาะเจาะจงกว่า จากเอกสารภาษาอังกฤษจำนวน 1,000,000 ชิ้นจากชุดข้อมูล FineWeb Pangram 4 มีบวกปลอม 41 รายการ หรือคิดเป็น 0.0041% ใกล้เคียงกับ 1 ใน 24,000 จากนั้นในชุดหลายภาษาที่มีเอกสาร 996,273 ชิ้น ครอบคลุม 104 ภาษา มีบวกปลอม 14 รายการ หรือคิดเป็น 0.0014%

อัตราดังกล่าวเปลี่ยนไปตามโดเมน การ์ดโมเดลของ Pangram แสดงอัตราบวกปลอมเหล่านี้:

สำหรับงานเขียนเชิงวิชาการภาษาอังกฤษ การ์ดโมเดลของ Pangram ระบุอัตราบวกปลอมอยู่ที่ 0.019% หรือประมาณ 1 ใน 5,000 เอกสาร ค่านี้สูงกว่าค่าโดยรวม และเป็นตัวเลขที่สำคัญที่สุดสำหรับนักศึกษาและนักวิจัย รูปแบบร้อยแก้วเชิงวิชาการอย่างเป็นทางการมักเป็นไปตามแบบแผน และข้อความเชิงสูตรสำเร็จคือจุดที่ข้อมูลของ Pangram เองแสดงให้เห็นว่ามีบวกปลอมมากขึ้น

โพสต์บล็อกของ Pangram เกี่ยวกับบวกปลอมระบุว่าอัตราจะสูงขึ้นเมื่อเป็นข้อความที่สั้น ไม่ได้เขียนเป็นประโยคเต็ม และมีลักษณะเป็นสูตรสำเร็จสูง เช่น สูตรอาหารและบทกวี ระบุว่าอัตราจะยังต่ำเมื่อเป็นร้อยแก้วต้นฉบับแบบยาว เช่น เรียงความ รีวิว และรายงาน เพราะงานเขียนลักษณะนี้ให้ข้อมูลกับโมเดลในการทำงานมากกว่า

ภาษาเองก็ส่งผลต่ออัตราเช่นกัน การ์ดโมเดลของ Pangram ระบุการรองรับอย่างเป็นทางการ 24 ภาษา ได้แก่ อังกฤษ สเปน ฝรั่งเศส โปรตุเกส อาหรับ จีน ญี่ปุ่น เกาหลี รัสเซีย ตุรกี ฮังการี เยอรมัน เนเธอร์แลนด์ สวีเดน โรมาเนีย ยูเครน โปแลนด์ อิตาลี เช็ก กรีก ฮินดี เปอร์เซีย อูรดู และเวียดนาม อัตราบวกปลอมที่วัดได้มีตั้งแต่ 0.0000% ในภาษาต่างๆ เช่น อาหรับ จีน และญี่ปุ่น ไปจนถึง 0.0078% ในภาษาโปรตุเกส และ 0.0361% ในภาษายูเครน อย่างไรก็ตาม ทั้งหมดนี้ยังต่ำกว่า 1 ใน 1,000 มาก Pangram ระบุด้วยว่าสามารถทำให้ใช้ได้กับภาษานอกเหนือจากรายการดังกล่าว และเชิญให้ส่งคำขอเพื่อประเมินภาษาใหม่

Pangram ยังเผยแพร่การเปรียบเทียบกับเครื่องมือตรวจจับอื่นๆ ในงานรีวิวสินค้า จากงานวิจัยของ University of Chicago มีการรายงานอัตราบวกปลอมว่า ของตัวเอง 0.5% ของ Originality.ai 1.7% และของ GPTZero 2.4% นี่คือตัวเลขของ Pangram จากบล็อกของ Pangram เอง

การศึกษาภายนอกที่ Pangram อ้างถึง

งานวิจัย University of Chicago Booth ประจำปี 2025 พบว่าเครื่องมือตรวจจับ AI ชั้นนำทำเครื่องหมายมากกว่า 90% ของข้อความ AI ที่ไม่ได้แก้ไข โดยส่วนใหญ่จะทำเครื่องหมายได้น้อยกว่าครึ่งเมื่อข้อความถูกผ่าน AI humanizer Pangram เป็นหนึ่งในเครื่องมือตรวจจับ 4 รายการที่ทดสอบ ร่วมกับ GPTZero, Originality.ai และเครื่องมือตรวจจับโอเพนซอร์สอย่าง RoBERTa Pangram ระบุว่าเป็นรายเดียวที่ยังคงอัตราบวกปลอมไว้ต่ำกว่า 0.5% ขณะเดียวกันก็ยังตรวจจับข้อความที่เป็น AI ได้

Pangram ยังอ้างถึงงานวิจัยจาก Vrije Universiteit Brussel ช่วงเดือนมิถุนายน 2026 โดยงานนี้ทดสอบ Pangram, GPTZero, Turnitin และ Copyleaks กับบทความวิชาการ 160 ชิ้นที่เขียนโดยผู้ที่ไม่ใช่เจ้าของภาษาอังกฤษ แบ่งเป็นข้อความที่มนุษย์เขียน ข้อความที่สร้างโดย AI ข้อความแบบผสม และข้อความที่ผ่าน AI humanizer Pangram ระบุว่าไม่มีเครื่องมือทั้งสี่ที่ทำเครื่องหมายบทความที่มนุษย์เขียนในงานวิจัยนั้น

งานวิจัยประจำปี 2025: Pangram เทียบกับผู้อ่านมนุษย์ผู้เชี่ยวชาญ

บทความปี 2025 โดย Jenna Russell, Marzena Karpinska และ Mohit Iyyer ได้รับการตีพิมพ์ในงาน ACL 2025 โดยทดสอบว่าคนที่มักใช้เครื่องมือเขียนด้วย AI สามารถตรวจจับข้อความที่สร้างโดย AI ได้ดีพอ ๆ กับตัวตรวจจับอัตโนมัติหรือไม่ ผู้ประเมิน 5 คนที่บอกว่าตนเองใช้ LLM เป็นประจำสำหรับงานเขียนของตนเอง อ่านบทความภาษาอังกฤษที่ไม่ใช่นิยายจำนวน 300 ชิ้น ชุดข้อมูลนี้ผสมข้อความที่เขียนโดยมนุษย์เข้ากับข้อความจาก GPT-4o, Claude และ o1-Pro รวมถึงบางบทความที่ผ่าน AI humanizer เสียงส่วนใหญ่จากผู้ประเมินทั้งห้าคนจำแนกผิดเพียง 1 จากทั้งหมด 300 บทความ

งานวิจัยดังกล่าวเปรียบเทียบชุดประเมินนี้กับตัวตรวจจับอัตโนมัติ 5 ราย ได้แก่ Pangram, GPTZero, Binoculars, Fast-DetectGPT และ RADAR นักวิจัยทดสอบ Pangram สองรุ่น คือดีเทคเตอร์พื้นฐานของ Pangram และรุ่นแยกที่ชื่อว่า Pangram Humanizers ซึ่งถูกฝึกเพื่อตรวจจับข้อความที่ผ่าน AI humanizer Pangram Humanizers เป็นตัวตรวจจับเพียงตัวเดียวที่ให้ผลตรงกับชุดผู้เชี่ยวชาญ โดยมีอัตราการพบจริง (true positive rate) เฉลี่ย 99.3% และอัตราการแจ้งผลบวกลวง (false positive rate) 2.7% ตลอดชุดทดสอบ รุ่นพื้นฐานของ Pangram ได้ค่า true positive rate เฉลี่ย 98.0% และ false positive rate 2% ในการทดสอบชุดเดียวกัน

อัตรา false positive rate 2.7% สูงกว่า “1 ใน 10,000” ที่ Pangram รายงานจากการประเมินของตนเอง การทดสอบครั้งนี้ใช้ชุดบทความที่เล็กกว่ามาก คือ 300 ชิ้นแทนที่จะเป็น “หลายล้าน” ที่ Pangram อ้างไว้ในที่อื่น นอกจากนี้งานวิจัยยังให้คะแนน Pangram โดยใช้เฉพาะป้ายกำกับ Human และ AI-Generated โดยไม่ให้เครดิตกับป้ายกำกับที่เป็นกลาง "Possibly AI" ของมันเอง Pangram และ GPTZero ต่างให้เครดิต API แก่นักวิจัยเพื่อใช้รันการทดสอบ

Pangram ตรวจจับการเขียนด้วย AI อย่างไร

Pangram บอกว่าไม่ได้ใช้ perplexity หรือ burstiness ซึ่งเป็นสัญญาณที่ตัวตรวจจับ AI รุ่นเก่าใช้กันเป็นหลัก Perplexity วัดว่าคำแต่ละคำ “คาดเดาได้แค่ไหน” สำหรับโมเดลภาษาหนึ่ง และ burstiness วัดว่าความคาดเดาได้นั้นเปลี่ยนแปลงมากเพียงใดในเอกสาร เราอธิบายทั้งสองอย่างในบทความของเราเองที่ perplexity ในการตรวจจับ AI.

Pangram โต้แย้งว่าตัวตรวจจับที่อาศัย perplexity ทำงานผิดพลาดกับข้อความใด ๆ ที่โมเดลได้ “ท่องจำ” มาแล้วระหว่างการฝึก รวมถึง Declaration of Independence และอีกมากมายจาก Wikipedia โมเดลสามารถเรียนรู้การคาดเดาข้อความที่ท่องจำไว้จนมี perplexity ต่ำมาก โดยไม่ขึ้นกับว่าข้อความนั้นเขียนโดยใคร Pangram ยังกล่าวอีกว่าวิธีการที่อาศัย perplexity มีอัตรา false positive สูงกว่าในงานเขียนภาษาอังกฤษที่ไม่ใช่เจ้าของภาษา เนื่องจากโครงสร้างประโยคที่ง่ายกว่าก็ทำให้คาดเดาได้มากกว่า เราครอบคลุมรูปแบบ false-positive เดียวกันนี้สำหรับผู้เขียนที่ไม่ใช่เจ้าของภาษาใน รูปแบบ false-positive สำหรับผู้เขียนภาษาอังกฤษที่ไม่ใช่เจ้าของภาษา ในบทความที่มองไปยังตัวตรวจจับอื่น ๆ

แทนที่จะทำแบบนั้น Pangram ฝึกโมเดลการเรียนรู้เชิงลึกโดยตรงบนชุดข้อมูลขนาดใหญ่ที่เป็นข้อความที่มนุษย์เขียนและข้อความที่สร้างโดย AI มันใช้วิธีที่เรียกว่า hard negative mining เพื่อค้นหาข้อความที่เขียนโดยมนุษย์ซึ่งบังเอิญมีหน้าตาคล้ายผลลัพธ์จาก AI Pangram ประมวลผลเอกสารเต็มในระดับโทเคน มันติดป้ายกำกับแต่ละส่วนเป็น Human, AI-Assisted หรือ AI-Generated พร้อมให้คะแนนต่อเนื่องว่าช่วงนั้น “ดูเหมือนเขียนด้วย AI” มากเพียงใด Pangram บอกว่าโมเดลจะดีขึ้นเมื่อได้รับการฝึกจากข้อมูลจำนวนมากขึ้น

Pangram เทียบกับ GPTZero, Copyleaks และ Turnitin

Pangram, GPTZero และ Copyleaks เปิดให้ทุกคนที่สมัครใช้งาน Turnitin ใช้งานได้ผ่านบัญชีของโรงเรียนหรือสำนักพิมพ์เท่านั้น และผู้ทดสอบรายบุคคลมักจะเห็นคะแนน Turnitin ก็ต่อเมื่อผู้สอนส่งต่อให้

เราได้อธิบายเครื่องตรวจจับแต่ละตัวแยกกันแล้ว โปรดดู GPTZero แม่นยำหรือไม่? การทดสอบอิสระเผยอะไรบ้าง (2026), Copyleaks ตรวจพบ AI หรือไม่? ความแม่นยำและควรทำอย่างไร และ Turnitin ตรวจพบข้อความ AI ที่ถูกทำให้เป็นภาษามนุษย์ได้ไหมในปี 2026?. ตัวเลขอัตราบวกปลอมในตารางเป็นคำกล่าวอ้างของแต่ละบริษัทเอง เนื่องจาก Pangram และผู้ให้บริการรายอื่นระบุไว้เช่นนั้น

Pangram เป็นเครื่องตรวจจับแบบสแตนด์อโลน Grammarly และ Scribbr ให้การตรวจจับ AI เป็นส่วนหนึ่งของเครื่องมือด้านการเขียน และเราได้ตรวจดู เครื่องตรวจจับ AI ของ Grammarly และ เครื่องตรวจ AI ของ Scribbr แยกกัน

ราคาและขีดจำกัดของแผนฟรี

แผนฟรีของ Pangram ไม่ต้องใช้วิธีการชำระเงิน ครอบคลุมการสแกนข้อความ 2,000 คำต่อวัน และการสแกนภาพ 3 ครั้งต่อวัน ซึ่งรวมการอัปโหลดไฟล์ด้วย OCR ส่วนขยายของเบราว์เซอร์ การเชื่อมต่อกับ Google Docs และการเข้าถึง API ในมากกว่า 20 ภาษา

แผนรายบุคคลมีช่วงทดลองใช้ฟรี 7 วัน ก่อนที่เรียกเก็บค่าใช้จ่ายรายเดือน US$20 การเรียกเก็บแบบรายปีช่วยประหยัดได้ US$60 ต่อปีเมื่อเทียบกับอัตรารายเดือน ส่วนแผนมืออาชีพจะเรียกเก็บ US$65 ทันทีโดยไม่ผ่านการทดลองใช้งาน และประหยัดได้ US$240 ต่อปีเมื่อเรียกเก็บรายปี Pangram ยังระบุราคาแบบแยกต่างหากสำหรับ Business สำหรับทีม ซึ่งจะแสดงหลังจากเลือกแท็บ Business บนหน้าราคา

ใครเป็นผู้ใช้งาน Pangram

โรงเรียนและมหาวิทยาลัยคือฐานลูกค้าหลักของ Pangram การเชื่อมต่อกับ LMS ทำงานเชื่อมตรงกับ Canvas, Moodle, Google Classroom และ Brightspace ครูสามารถดูผลของ Pangram เคียงข้างกับงานส่งของนักเรียน โดยไม่ต้องออกจากแพลตฟอร์มที่ใช้อยู่แล้วสำหรับการให้คะแนน

ผู้จัดพิมพ์ บริษัทกฎหมาย และทีมฝ่ายทรัพยากรบุคคลใช้ Pangram ด้วยเหตุผลที่แตกต่างกัน เช่น การตรวจต้นฉบับที่ส่งมา การทบทวนเอกสารในคดี หรือการคัดกรองเอกสารสมัครงาน API ช่วยให้องค์กรเหล่านี้นำการตรวจจับของ Pangram ไปผสานเข้ากับเครื่องมือภายในของตนเองได้ การเชื่อมต่อ Gmail และ Google Docs ทำให้คนเพียงคนเดียวสามารถตรวจข้อความได้โดยไม่ต้องออกจากกล่องจดหมายหรือออกจากเอกสาร

สำหรับนักเรียน โดยปกติแล้วหมายถึงคะแนนของ Pangram จะแสดงอยู่ในแดชบอร์ดเดียวกับที่ครูใช้ตรวจเกรดและให้ข้อเสนอแนะอยู่แล้ว ไม่ใช่รายงานแยกต่างหากที่คุณต้องขอด้วยตนเอง หากโรงเรียนของคุณเรียกใช้ Pangram ผ่าน LMS ให้สอบถามผู้สอนหรือฝ่ายงานว่าคะแนนระดับใดถือว่าเป็นประเด็น และขั้นตอนต่อไปคืออะไร

หากผล Pangram ทำให้งานเขียนของคุณถูกตั้งค่าสงสัย บันทึกกระบวนการร่างงานของคุณเองจะมีน้ำหนักมากกว่าการถกเถียงเรื่องคะแนนเพียงอย่างเดียว เราอธิบายรายละเอียดนั้นไว้ในบทความแยกต่างหากที่ กระบวนการคือหลักฐานใหม่ และ วิธีอุทธรณ์การตรวจจับ AI ที่ผิดพลาด (คู่มือสำหรับนักศึกษาและนักวิจัย).

หาก AI ช่วยร่างส่วนหนึ่งของบทความเรา academic humanizer จะปรับเรียบเรียงส่วนนั้นให้เป็นเสียงของคุณเอง การอ้างอิง คำศัพท์เชิงเทคนิค และตัวเลขยังคงเหมือนที่คุณเขียนไว้ทุกประการ และเครื่องมือนี้ถูกออกแบบมาเพื่อทำให้คะแนนจาก AI ลดลงในส่วนที่เครื่องมือเข้าถึง

คำถามที่พบบ่อย

Q: Pangram แม่นยำหรือไม่?

Pangram ระบุว่าสามารถแม่นยำได้มากกว่า 99% และอ้างอิงการศึกษาจากภายนอกที่มีผลลัพธ์ใกล้เคียงกัน เอกสารโมเดลของตนเองแสดงว่าความแม่นยำจะต่ำลงกับข้อความที่มีความยาวต่ำกว่า 50 คำ และในบางภาษาอื่นที่ไม่ใช่ภาษาอังกฤษ

Q: อัตราบวกปลอมของ Pangram คือเท่าใด?

คำถามที่พบบ่อยของ Pangram ระบุอัตราโดยรวมประมาณ 1 ใน 10,000 โดยการ์ดโมเดลของ Pangram 4 รายงานตัวเลขที่เฉพาะเจาะจงกว่า คือ 0.0041% หรือประมาณ 1 ใน 24,000 วัดจากเอกสารภาษาอังกฤษ 1,000,000 ชิ้น และอัตราดังกล่าวจะแตกต่างกันตามสาขาวิชาและภาษา

Q: Pangram เทียบกับ GPTZero อย่างไร?

Pangram ระบุว่าอัตราผลบวกลวงอยู่ที่ประมาณ 1 ใน 10,000 และ GPTZero ระบุประมาณ 1% ในเกณฑ์ RAID ทั้งสองมีแผนฟรีและเปิดให้สมัครได้โดยไม่ต้องมีการอนุมัติ เราครอบคลุมตัวเลขของ GPTZero เองใน รีวิวความแม่นยำของ GPTZero.

Q: Pangram เทียบกับ Turnitin อย่างไร?

Turnitin ใช้งานได้เฉพาะผ่านบัญชีของโรงเรียนหรือสำนักพิมพ์ แต่ทุกคนสามารถสมัครใช้งาน Pangram ได้โดยตรง Pangram อ้างอัตราผลบวกลวง 0.51% จากงานเขียนเชิงวิชาการในสมุดปกขาวของ Turnitin และรายงานอัตราที่ต่ำกว่าสำหรับตัวเอง

Q: Pangram เทียบกับ Copyleaks อย่างไร?

Copyleaks ระบุว่าอัตราผลบวกลวงอยู่ที่ประมาณ 0.2% และ Pangram รายงานอัตราที่ต่ำกว่าสำหรับตัวเอง ทั้งคู่มีการสแกนแบบฟรี และเราอธิบาย Copyleaks ใน Copyleaks ตรวจพบ AI หรือไม่? ความแม่นยำและควรทำอย่างไร.

Q: Pangram ตรวจจับการเขียนด้วย AI ได้อย่างไร?

Pangram ใช้โมเดลการเรียนรู้เชิงลึกที่ฝึกจากทั้งข้อความที่เขียนโดยมนุษย์และข้อความที่สร้างโดย AI ไม่ได้ใช้การวัด perplexity และ burstiness ซึ่งเป็นตัวชี้วัดที่ตัวตรวจจับรุ่นเก่าจำนวนมากพึ่งพา มันจะแปะป้ายกำกับแต่ละช่วงของเอกสารเป็น Human, AI-Assisted หรือ AI-Generated และให้ระดับความเชื่อมั่นสำหรับผลลัพธ์

Q: ตัวตรวจจับ AI ของ Pangram ใช้งานฟรีได้ไหม?

ใช่ แผน Free ไม่ต้องใช้ข้อมูลการชำระเงิน และครอบคลุมการสแกนข้อความ 2,000 คำต่อวัน รวมถึงการสแกนภาพ 3 ครั้ง แผนแบบชำระเงินเริ่มต้นที่ US$20 ต่อเดือน เรียกเก็บรายปี สำหรับ 300,000 คำต่อเดือน และมีการตรวจจับการคัดลอก/ลอกเลียนแบบ

Q: Pangram ตรวจจับข้อความที่ผ่าน humanizer ได้ไหม?

Pangram ระบุว่าตรวจจับได้ และยกการศึกษาในปี 2025 จาก Chicago Booth เป็นหลักฐาน ตัวตรวจจับและ AI humanizer อัปเดตบ่อย ดังนั้นผลลัพธ์จากข้อความที่ผ่านการ humanize อาจเปลี่ยนแปลงตามเวลา

Q: การศึกษาใน University of Maryland พบอะไรเกี่ยวกับ Pangram?

งานวิจัยจาก University of Maryland ในปี 2025 พบว่าโมเดลที่รองรับ AI humanizer ของ Pangram คือ Pangram Humanizers เป็นตัวตรวจจับอัตโนมัติเพียงตัวเดียวที่ตรงกับคณะผู้อ่านที่เป็นผู้เชี่ยวชาญ 5 คน ทั้งคู่มีอัตราค่าเฉลี่ย true positive ที่ 99.3% ครอบคลุมบทความทดสอบ 300 ชิ้น อัตราผลบวกลวงของ Pangram ในการทดสอบเฉพาะนั้นอยู่ที่ 2.7% ซึ่งสูงกว่าอัตรา 1 ใน 10,000 ที่มันรายงานจากการประเมินขนาดใหญ่ของตัวเองมาก

Q: ใครเป็นผู้ทำ Pangram?

Pangram Labs คือบริษัทที่อยู่เบื้องหลัง Pangram ก่อตั้งใน Brooklyn, New York ในปี 2023 โดยนักวิจัย AI อดีตจาก Tesla และ Google บริษัทนี้ยังจำหน่ายเครื่องมือตรวจสอบการคัดลอก เครื่องมือตรวจจับภาพที่สร้างด้วย AI และการเข้าถึง API ควบคู่ไปกับตัวตรวจจับข้อความ

AI Humanizer เชิงวิชาการ

ปรับเรียบเอกสารร่างเชิงวิชาการที่ช่วยด้วย AI ให้เป็นเสียงของคุณเอง โดยคงการอ้างอิง คำศัพท์เชิงเทคนิค และตัวเลขไว้ตามที่คุณเขียนอย่างถูกต้องเสมอ