企业官网建设流程全解析

AI痕迹自查指南：别让AI给的"天花乱坠"模型，拖垮你的论文

组委会最新报告显示，97.8%的学生在竞赛中使用AI，但近一半学生无法判定AI输出的对错。AI直出的论文表面结构完整、图文并茂，实则内容空泛、参数随便设、约束漏缺、模型华而不实。本期发布AI痕迹自查Skills——分语言风险与模型考量两层检测，帮助发现AI直出论文中的实质性问题，并提供提示词文档版备选方案。本文是Skills系列的最后一个板块。

01 AI时代数模竞赛现状：数据与冲突

要理解AI痕迹自查的必要性，首先需要看清AI时代数模竞赛的真实现状。

查重率：AI出现后不升反降。
根据组委会最新报告中的自建库通报比例数据，在AI出现之前，论文查重率是逐年上升的。但AI出现后，出现了一个反常识的现象：查重率不仅没有上升，反而下降了。

原因在于：AI可以生成大量的文字，使得整个查重的分母（论文总字符数）显著增加，最终相似度反而比预期更低。从数据上可以明显看到，2025年各赛区的查重上限远小于2024年。这意味着，单纯依靠查重率已经无法有效识别AI的使用。

参赛学生AI使用情况：
组委会在今年六七月份发放了1000多份问卷，调查了指导老师和学生，得到以下结果：

• 97.8%的学生声称在竞赛中使用AI；
• 14%的学生表示没有AI就无法参赛；
• 将近一半的学生认为AI的输出对错无法判定。

这组数据揭示了真正的风险所在：绝大多数学生在用AI，但近一半人无法判断AI给出的东西是对是错。这也正是过去近30期视频中，我们不断开发数模字典、赛题翻译等工具来帮助判断AI输出正确性的原因。但即便有了这些工具，有时仍然无法完全判定——因此，我们需要一款专门的AI痕迹自查工具，这也是本期Skills系列的最后一块拼图。

02 组委会视角：AI的三个工作与三个死穴

在讲自查工具之前，有必要了解组委会如何看待AI在数模中的作用。以下内容来自组委会唐老师的PPT，并非个人观点。

AI对应的三个工作板块：
唐老师指出，AI在数模中通常对应三个方面的工作：

1. 语言描述——对应论文写作；
2. 编程——对应模型求解；
3. 信息检索——对应基于信息检索的建模。

这三个方面恰好覆盖了数模竞赛的全部核心工作。

AI的三个死穴：
唐老师同时指出，AI在这三个工作中容易出现以下问题：

1. 推理过程中间断裂——逻辑链条不完整，前后推导脱节；
2. 编造不存在的文献——引用虚构的参考文献；
3. 忽略关键约束——AI认为不重要的约束条件就直接忽略，而这些约束往往正是题目核心。

此外，AI的问题抽象能力不完整——数模需要将实际问题抽象简化为数学模型，AI在这一步往往缺乏评委老师的思想角度，抽象得不够准确或不够深入。

最终结果：表面光鲜，实则经不起推敲。
AI直出的论文看起来往往结构完整、章节整齐、图文并茂、术语丰富——确实如此，我们点评过很多智能体生成的论文都是这样。但如果真正去读、去评阅，就会发现大部分论文经不起推敲：

• 内容空泛，没有实质深度；
• 假设与参数很多是随便设的，没有任何依据；
• 前后不一致，符号、数据、结论互相矛盾；
• 约束漏缺，题目中的关键条件被忽略。

这些问题在AI直出论文中非常非常常见。组委会的建议是：人为判断，AI负责辅助，人为主体。但现实是，很多新手做不到这一点，仍然大量使用AI直出。因此，AI痕迹自查工具的价值就在于：帮助这些参赛者发现AI直出论文中的实质性问题，而不是仅仅停留在表面。

03 AI痕迹自查Skills：两层检测体系

本期发布的AI痕迹自查Skills，蒸馏了市面上多种AIGC检测工具的核心逻辑（包括the nature writing以及几个中文AIGC检测Skills），并结合数模竞赛的特殊性，设计了两层检测体系。

第一层：语言风险检测

这一层仅针对语言写作方向进行检测，占整体检测权重的约60%。检测维度包括：

• 高频连接词的异常使用；
• 排比句、对仗句的过度使用；
• 被动语态占比异常；
• 无证据的陈述与断言；
• 其他网上公认的AI写作特征维度。

这一层的目标是识别论文中"AI味"过重的语言表达，但需要强调的是：语言风险检测只是手段，不是目的。真正的目的是通过语言层面的异常，定位到内容层面的实质性问题。

第二层：模型考量（数模特有）

数模论文不单纯是科研论文，其中包含大量的模型内容。而当前参赛者面临的最大问题之一是：AI给的模型，很多评委老师都不知道是什么——毫无疑问，这种模型往往是不对的。

数模的本质是：用较少的思路、尽可能基础的模型来实现完整的求解。能用简单的就不用复杂的，能用基础的就不用高级的，不能舍本逐末。但AI很多时候给的模型天花乱坠，老师都不理解、都没见过——这种模型在评审中往往会适得其反。

因此，模型考量层设计了四个检测维度：

1. 常用性：判断论文使用的模型是不是数模中的常用模型。如果是非常冷门、评委都不熟悉的模型，需要高度警惕；
2. 复杂度收益是否正比：论文提高了模型复杂度，但带来的收益是否成正比？如果复杂度提升很多但收益基本没有或不多，说明还是应该回归基础模型；
3. 华而不实：模型是为了回答问题而建立，还是为了做而做、为了提升复杂度炫技而建立？这是判断模型是否有实际价值的核心；
4. 三问法：对每个模型追问三个问题——本质是什么？为什么这么做？为什么选这个模型而不选别的模型？如果回答不了，说明模型选择缺乏依据。

综合语言风险与模型考量两层检测，Skills会输出一份完整的自查报告，同时提供简洁版和完整版两个版本。

04 输出与演示：红色标注问题严重程度

自查报告的输出形式如下：

• 简洁版：快速概览论文的整体AI风险等级、主要问题类别与核心改进建议；
• 完整版：逐层、逐维度的详细检测结果，每个问题都有具体的位置标注、问题判别与修改建议。

实际演示效果（两篇论文对比）：

第一篇论文问题较多：报告中问题严重的部分会以红色背景标注，明确指出具体哪里有问题、问题判别是什么、哪些属于比较严重的问题（例如"自证式结论"——用结论本身来证明结论）、以及应该如何改进。每个检测层、每个维度下的常见问题都会逐一列出。

第二篇论文相对较好：整体风险较低，报告中红色标注较少，主要是一些细节层面的优化建议。

通过这种方式，参赛者可以直观地看到自己论文中AI痕迹较重的位置，以及对应的实质性问题，从而有针对性地进行修改。

05 备选方案：豆包文档版（无Skills也能用）

考虑到最近很多参赛者反映对Skills的使用有一定难度（如网络环境、配置问题等），我们还提供了一个备选方案——豆包文档版。

这个方案参考了数学建模领域内容创作者的做法：将检测逻辑写好成一个Word文档，参赛者只需把自己的论文和这个文档一起发给豆包，然后说一句"基于这个Word文档来对AI痕迹进行检查"，豆包就会直接生成一篇检查文档，效果相当不错。

与Skills版的性能对比：

• 豆包文档版能够模仿Skills的检测逻辑，也能做到比较精细的检查，包括逐页判断是否有拔高、是否无数据支撑等常见AI痕迹；
• 但在性能上终究没有Skills精准：以同一篇问题较多的论文为例，Skills版可能只给20多分（问题严重），而豆包文档版可能给到60多分——说明豆包版对部分问题的检测不够敏感，存在漏检；
• 建议：如果有能力使用Skills，尽量使用Skills；如果没有条件，豆包文档版也能做到相当程度的精细检查，是一个可用的备选方案。

06 如何使用与注意事项

推荐使用流程：

1. 论文初稿完成后，将论文输入AI痕迹自查Skills；
2. 获取简洁版与完整版报告，重点关注红色标注的严重问题；
3. 针对语言风险层面的问题，修改AI味过重的表达，补充证据与依据；
4. 针对模型考量层面的问题，逐一核查模型的常用性、复杂度收益、是否华而不实，必要时回归更基础的模型；
5. 修改完成后，可再次运行自查，确认问题已修复。

重要注意事项：

• AI痕迹自查的目的不是"消除AI痕迹"去作弊，而是为了发现AI直出论文中的实质性问题——内容空泛、参数无依据、约束漏缺、模型华而不实等。自查是提升论文质量的工具，不是规避检测的手段；
• 模型越复杂不代表越好。数模的核心是用基础模型实现完整求解，天花乱坠的复杂模型往往适得其反；
• 人为主体、AI辅助。自查工具只能辅助发现问题，最终的判断和修改必须由人来完成；
• 没条件使用Skills的参赛者，可以使用豆包文档版作为备选，同样能发现大部分问题。