没有一个通用准确率
结果会随测试集、语言、内容类型、生成模型、编辑方式和判定阈值变化。某个实验中的高准确率不能自动迁移到课堂作文、新闻图片或平台转码视频，也不能代表未来模型。
误判、准确率与可信度
AI 检测器会误判吗，结果能信任吗？
会。检测器可能错标真人内容，也可能漏掉 AI 内容；它没有脱离数据、阈值和使用场景的固定准确率。真正有意义的问题是：在相似样本上，它分别犯多少种错误，以及一个标记在当前基准率下究竟说明什么。
01 · 定义准确
先问“准确”具体指哪一种错误。
一个总百分比会把不同错误、不同样本比例和不同决策成本压成一个数字。拆开指标后，结果才可以比较。
假阳性与假阴性不是一回事
假阳性是把真人内容错标为 AI，可能带来不当指控；假阴性是漏掉 AI 内容，可能让筛查失效。降低一种错误通常会增加另一种，因此阈值应根据实际后果选择。
基准率会改变一个标记的含义
假设 1,000 份内容中只有 10 份由 AI 生成：即使检测器有 80% 召回率、真人内容假阳性率仅 5%，也会得到约 8 个真阳性和约 50 个假阳性。低基准率场景尤其不能见分数就下结论。
02 · 介质差异
文字、图片和视频的误差来源不同。
把一种介质上的评估数字套到另一种介质没有意义。输入长度、压缩与转码会改变检测器真正能看到的证据。
文字：长度、语言与模板会改变统计特征
短文本、翻译文本、非母语写作、代码、表格和固定格式可能天然重复或过于规整。经过人工改写的 AI 文本也可能移除原有模式，因此同一阈值在不同文体上的误差会明显不同。
打开 AI 文字检测图片：压缩与编辑会制造或抹除线索
截图、裁剪、滤镜、降噪、平台压缩和低光环境都会改变纹理、颜色与边缘。插画和模板图可能被误标，经过再编辑的生成图也可能避开原本有效的视觉特征。
打开 AI 图片检测视频：转码让元数据与成因分离
平台会重写码率、分辨率、封装和时长信息，多次转码还会叠加画面与声音伪影。仅使用文件元数据的工具无法把这些变化可靠归因于生成模型，必须结合原始文件和连续画面。
打开 AI 视频检测03 · 评估方法
可信的准确率需要可复现的测试设计。
在相信宣传数字之前，先检查样本从哪里来、阈值如何选择、是否独立测试，以及报告有没有把不同错误拆开。
使用独立且有代表性测试集
测试集应包含实际会遇到的语言、文体、设备、压缩方式和生成模型，并保留足够的人类内容反例。开发时用过的数据不能同时充当最终评估，否则结果容易过度乐观。
同时报告精确率、召回率与混淆矩阵
召回率说明抓住了多少真正的 AI 内容，精确率说明被标记内容中有多少确实属于目标类别；混淆矩阵则公开真阳性、假阳性、真阴性和假阴性的实际数量。
公开阈值，并检验分数是否校准
不同阈值会改变精确率与召回率。界面上的 80% 只有在校准实验表明类似样本约八成属于目标类别时，才可视为经过校准的概率；许多规则分数或分类器置信度并不满足这个条件。
04 · 安全使用
把准确率声明限制在它被验证的范围内。
模型和内容会持续变化。负责任的流程会监测失效、保留来源证据，并允许人在重要决定前检查与纠正自动结果。
持续检查分布变化
新生成模型、新语言、新平台处理流程或新的规避方式都会让线上输入偏离旧测试集。应按介质和人群监测错误，并在数据分布变化后重新评估，而不是永久沿用一次发布时的数字。
把检测器放进独立证据链
检测分数适合决定下一步查什么，不适合替代来源核验。结合原始文件、内容凭证、版本历史、反向搜索和发布方说明，能够降低多个相似检测器共同受同一偏差影响的风险。
高风险决定必须人工复核并允许申诉
涉及学业、就业、信誉或法律后果时，应由了解场景的人审查原始材料、错误成本和替代解释，并向被判断者提供补充证据与纠正记录的机会，不能把自动标记直接当作处罚依据。