DeGenTWeb 论文测量 MGT 主导网站占比
DeGenTWeb: A First Look at MGT-dominant Websites
AI 导读
研究者提出 DeGenTWeb 框架，系统识别信息性内容以大语言模型生成文本为主的网站，并公开将把代码与数据发布。论文将 MGT 检测器适配到网页级并聚合多页面结果做站点级判定，误判人类撰写网站为 MGT 主导的比例仅 0.12%。
推荐理由
论文给出可复用的站点级 MGT 检测框架和代表性测量结果，填补了此前新闻式估计方法不透明的背景。
正文 · AI 翻译
摘要：许多新闻报道声称，来自大语言模型（LLM）的机器生成文本（MGT）正在占领互联网。然而，这些说法通常并非基于有代表性的网络样本，其背后的方法论也往往不透明。因此，我们对 MGT 在网络上的真实普及程度和特征缺乏了解。
我们介绍了 DeGenTWeb，它能系统地识别以 MGT 为主的网站：即其信息性散文内容大部分为 MGT、人类参与很少的网站。我们展示了如何改造 MGT 检测器以用于网页，以及如何汇总一个网站多个页面的检测结果，以实现准确的站点级分类。DeGenTWeb 仅将 0.12% 的人类撰写网站误标为 MGT 主导。我们发现，Common Crawl 在 2026 年 1 月至 7 月存档的网站中有 20.9%、2025 年 Bing 搜索结果链接的网站中有 13.6% 是 MGT 主导的。这些数字是 MGT 主导网站普及率的下限。我们还发现，MGT 主导网站的比例随时间不断增长，且许多此类网站归属于同一所有者。我们将在论文发表后公开全部代码和数据。
| 评论： | 投稿中；13 页，8 幅图 |
| 学科： | 网络与互联网体系结构（cs.NI）；人工智能（cs.AI）；计算机与社会（cs.CY）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用格式： | arXiv:2605.00087 [cs.NI] |
| （本版本为 arXiv:2605.00087v2 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2605.00087 通过 DataCite 提供的 arXiv 发布 DOI |
提交历史
来自：Sichang He [查看邮件]
[v1]
2026 年 4 月 30 日 星期四 17:54:35 UTC（994 KB）
[v2]
2026 年 10 月 26 日 星期一 18:38:07 UTC（1,915 KB）
来源：arXiv cs.AI · arxiv.org