把 AI 生成的文本，在概率层重新生成一遍，使其统计特征接近人类写作——而不是在文字表面做任何手脚。
根本区别：
- 现有工具：生成文本 → 换词/打乱句子 → 输出（文本层，无效）
- 本产品：控制生成过程本身 → 每个词的选取概率被干预 → 输出（概率层，有效）
用户输入 AI 文本
↓
【第一步】理解原文
提取原文的核心命题（论点）、关键实体（人名/数字/专有名词）
↓
【第二步】概率层重新生成
用语言模型重写，但干预每个词的选取概率
使输出的统计特征偏离"AI典型模式"，接近人类写作分布
↓
【第三步】语义验证
检查：核心命题有没有被丢掉？有没有被反转？
↓
【第四步】质量控制
检查两件事：① 检测器能不能识别出来？ ② 文章写得好不好？
↓
【第五步】连贯性修复（如需要）
对段落衔接有问题的地方，重新生成（不是手动改词）
↓
输出最终文本 + 质量报告
AI 模型生成文字时，每一步都从一张"概率表"里选词。默认行为是总选概率最高的词，导致输出规律、可预测——这正是检测器抓到的特征。
我们做的是：在选词的那一刻，主动调整这张概率表。
具体方法是Mirostat v2 采样：
- 设定一个"目标困惑度"（对应人类写作区间）
- 生成过程中实时监控，自动调整每步选词的随机程度
- 高概率词被压制，低概率但语义合理的词被激活
- 不同段落使用不同的参数设置，制造自然的节奏起伏
效果： 输出文本的统计特征（困惑度、词汇分布、句间方差）全部落在人类写作的正常区间内。
重写之后，必须确保核心意思没有丢失或被篡改。分三层检查：
用嵌入模型（BGE-M3）把原文和输出各转成一个向量，计算相似度。
- 相似度 ≥ 80%：整体语义没有大幅偏离，继续
- 相似度 < 80%：整体跑题，直接打回重写
针对第一步提取的每一条核心命题，逐条检验：
| 检验结果 | 含义 | 处置 |
|---|---|---|
| 命题被保留 | 输出蕴含这条命题 | 通过 |
| 命题被反转 | "不支持"变成"支持"等极性翻转 | 立即打回重写 |
| 命题被遗漏 | 关键论点消失了 | 遗漏≥2条时打回重写 |
工具：NLI（自然语言推理）模型，专门用于判断两句话之间的蕴含关系。
用 BERTScore 做词汇级别的覆盖度检查，作为辅助参考，不单独触发重写。
只回答一个问题：这篇文章的统计特征像不像人类写的？
| 指标 | 含义 | 目标区间 |
|---|---|---|
| 困惑度（PPL） | 文本的可预测程度 | 25～80（AI文本通常<15） |
| Burstiness | 句子长度/节奏的起伏 | 标准差 ≥ 10（人类写作有自然波动） |
| 词汇多样性（TTR） | 词汇丰富程度 | ≥ 45%（AI文本词汇重复率高） |
只回答一个问题：这篇文章写得好不好？
先做规则快筛（毫秒级）：
- 有没有重复句子
- 句子长度是否异常（过长或过短比例过高）
- 有没有标点符号错误
再用 G-Eval 评分（复用已有的语言模型，不额外消耗资源）：
| 维度 | 权重 | 评判标准 |
|---|---|---|
| 忠实度 | 35% | 有没有凭空捏造内容 |
| 连贯性 | 25% | 段落逻辑是否通顺 |
| 流畅性 | 25% | 语言是否自然，有没有语法错误 |
| 可读性 | 15% | 结构是否清晰，用词是否恰当 |
综合得分 ≥ 3.5（满分5分）：质量合格 综合得分 < 3.0：触发重新生成
三种失败对应三种不同的处理策略：
| 失败类型 | 原因 | 处理方式 |
|---|---|---|
| 语义验证失败 | 命题被丢或被反转 | 降低随机程度，在提示词中强调失败的命题 |
| 检测规避失败 | 统计特征还是太像AI | 调高重复惩罚，增大句式多样性 |
| 语言质量失败 | 文章写得不好 | 加强写作质量要求指令，采样参数不变 |
底线： 任何情况下，语言质量综合分不得低于 3.0。不存在为了通过检测而牺牲文章质量的路径。
上限： 最多重试3次。超过后返回3次中质量最高的版本，并标注提示。
| 组件 | 选用方案 | 理由 |
|---|---|---|
| 核心生成模型 | Qwen2.5-7B（中文）/ Llama3.1-8B（英文） | 7B级模型个人GPU可跑，中文质量最优 |
| 推理框架 | llama.cpp | 唯一支持Mirostat采样的轻量本地框架 |
| 语义嵌入 | BAAI/bge-m3 | 中英文通用，精度好，放CPU上跑 |
| NLI验证 | nli-deberta-v3-xsmall | 仅70MB，CPU可实时运行，专门用于命题蕴含判断 |
| 质量评分 | G-Eval（复用主模型） | 零额外内存，确定性输出，结果可复现 |
- 显卡：RTX 3060 12GB（消费级）
- 内存：16GB RAM
- 存储：50GB（模型文件约30GB）
| 占用项 | 显存 |
|---|---|
| Qwen2.5-7B 量化模型 | 6.5 GB |
| BERTScore 辅助模型 | 0.8 GB |
| 系统驱动开销 | 0.75 GB |
| 安全缓冲 | 约 4 GB |
BGE-M3 和 NLI 模型强制在 CPU 上运行，不占显存。
完全可用，质量与 GPU 方案相同，速度较慢：
| CPU | 处理1000词文本 |
|---|---|
| i7-12代 / i9-13代 | 约 2.5～4 分钟 |
| Ryzen 7 系列 | 约 3.5～4.5 分钟 |
CPU模式下改为异步处理：提交后台排队，完成后通知，不需要等待。
| 使用场景 | 每次费用 |
|---|---|
| 本地GPU自用 | ≈ 0.002 元（仅电费） |
| 云GPU提供服务 | ≈ 0.20 元 |
| 调用第三方API替代 | ≈ 0.004 元 |
阶段一：验证核心假设 搭建环境，跑通最简版本，验证 Mirostat 采样确实能降低 AI 检测率。
阶段二：语义约束系统 加入命题提取和 NLI 三层验证，确保重写后核心意思不丢失。
阶段三：质量控制双轨 接入 G-Eval 和检测规避指标，两组指标职能完全分离。
阶段四：连贯性修复与重试 实现段落级概率层修复，以及分维度重试调度策略。
阶段五：CPU-only 适配 异步批处理 UI，让无 GPU 用户完整可用。
阶段六：集成测试 验证检测率、语义保真度、内存稳定性，记录各硬件配置下的实际性能数据。
用本地语言模型对 AI 文本进行概率层重生成，通过 Mirostat 采样主动干预每个词的选取概率，使输出的统计特征接近人类写作；同时通过 NLI 命题验证保证语义不漂移、G-Eval 保证文章质量，整个过程不训练模型，不依赖重型基础设施，个人开发者可在消费级硬件上完整运行。