AI Humanizer Benchmark 是一个公开的基准测试，用于评估AI人性化工具（AI humanizers）在绕过AI检测器方面的表现。
用途 该基准测试旨在为AI人性化工具提供独立、可验证的月度排名。它通过统一测试方法，比较不同工具在将AI生成文本改写为人类写作风格方面的效果，同时评估改写质量。
主要能力 每月，基准测试会生成新的测试文本，涵盖7种写作类别（如论文、电子邮件、博客文章、营销文案等）。每款参与工具都会使用默认设置，通过API调用来重写相同的33篇文本。随后，7款商业AI检测器（GPTZero、Originality.ai、Copyleaks、Winston AI、ZeroGPT、QuillBot和Grammarly）对每篇改写文本进行评分。此外，还会测量语义相似度（含义保留）和由语言模型评定的可读性。
评分综合了四个维度：对检测器的绕过率（42%）、含义保留（32%）、可读性（16%）以及跨写作类型的一致性（10%）。同时，会针对质量问题（如与原文含义偏离、输出长度显著膨胀或缩减、拒绝处理等）进行扣分。最终得出一个总分（满分100分，越高越好）。
基准测试还提供了多种细分排名视图，例如：最佳质量、最佳含义保留、最佳可读性、最佳绕过率、最适合学生、最适合论文、针对特定检测器（如GPTZero、Originality.ai）的排名等。
使用方式 用户可以通过网站查看当前排名、每款工具的详细得分以及各检测器的单独排名。所有原始数据（输入、输出、检测器判定结果和评分代码）均在GitHub上公开，任何人都可以检查和重新计算结果。网站还提供常见问题解答，并接受分数争议提交。
适用场景 该基准测试适用于需要了解AI人性化工具性能的用户，例如学生、内容创作者、营销人员、学术写作者等。它帮助用户选择适合特定需求的工具，例如针对特定检测器或写作类型。
限制 该基准测试由开发UndetectedGPT的团队运营，而UndetectedGPT也参与排名，存在潜在利益冲突。为缓解这一点，所有数据公开可审计，且UndetectedGPT与其他工具使用相同的管道和评分标准。测试仅基于默认设置，不反映自定义调整后的性能。Turnitin无法自动测试，因此使用Originality.ai作为替代。排名每月更新，可能发生变化。
