# ИИ-агенты для программирования научились обходить детекторы, собирая текст из фрагментов

> Новый метод позволяет программным агентам собирать ответы из фрагментов, созданных более компактной языковой моделью. Это снижает долю обнаружений с 77% до 24%, но увеличивает стоимость запросов до 30 раз.

Oossa · 2026-09-29 · https://oossa.com/ru/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

25 сентября 2026 года исследователи опубликовали работу, в которой показали, что агент для программирования может собирать текст из ответов базовой языковой модели, чтобы обходить системы обнаружения ИИ-контента. Агент на базе Claude Opus 5 берет до 90% слов у модели OLMo-2 с 32 миллиардами параметров. В ходе испытаний собранные таким способом ответы обошли два типа детекторов: доля обнаружений упала с 77% до 24% у популярного инструмента, проверяющего уже готовый текст, и примерно до 10% у детектора на основе водяных знаков.

## Как работает эта техника

Ранние методы пытались несколько раз переписывать текст, созданный ИИ, что часто меняло его смысл. Новый подход устроен иначе: агент действует как редактор, который копирует и вставляет фрагменты. Он запрашивает у базовой модели множество коротких вариантов, а затем выбирает наиболее подходящие для конкретной задачи — творческого текста, ответа на вопрос, связанный с фактами или здоровьем, либо выполнения инструкции. Собранный из таких фрагментов ответ остается по теме и звучит естественно, тогда как детектор видит набор небольших разрозненных отрывков, а не непрерывный текст, созданный ИИ.

## Последствия и затраты

Метод работает, но обходится дорого. Агент отправляет и получает гораздо больше токенов — базовых единиц текста, — поэтому стоимость запроса может быть до 30 раз выше, чем при стандартном обращении к API. Исследователи предупреждают: чтобы детекторы сохраняли эффективность, их придется обучать на таких составных текстах. Для обычных пользователей это означает, что инструменты, обещающие распознавать тексты, написанные ИИ, могут быть менее надежными, чем заявлено.

## Факты

- Работа была представлена 25 сентября 2026 года; ее автор — Бхуван Дхингра.
- Claude Opus 5 управляла локальной моделью OLMo-2 с 32 миллиардами параметров.
- Доля обнаружений у детектора Pangram v4 снизилась с 77% до 24%.
- При низкой доле ложноположительных срабатываний детектор мягких водяных знаков выявлял около 10% текстов.
- Из-за значительно большего расхода токенов стоимость запроса может вырасти до 30 раз.

## Почему это важно

Если детекторы станут менее надежными, людям будет труднее проверять, написал ли текст человек или ИИ, а это может повлиять на доверие к контенту в интернете. При этом высокая стоимость метода обхода означает, что его вряд ли будут использовать без особой необходимости, поэтому для большинства пользователей он останется малодоступным.

## Источники и ссылки

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Обновлено: 2026-09-29