Uczciwe liczby, Twoje teksty pozostają Twoją własnością
Niczego tu nie wymyślono na potrzeby marketingu: każda liczba poniżej pochodzi z sekcji wyników i otwartego raportu technicznego.
Teksty nie opuszczają Twojego komputera
Analiza działa na Twoim PC, a po pierwszym uruchomieniu — bez internetu. Sieć jest potrzebna tylko do plików modeli, aktualizacji i sprawdzenia klucza.
Otwarte dane i kod
Dane, testy i ograniczenia opisaliśmy w raporcie technicznym, a kod jest na GitHubie. Wszystko możesz sprawdzić samodzielnie.
Pokazujemy też słabe strony
Spadek na krótkich tekstach MAGE (−6,0 pkt) i na StealthGPT (−2,5 pkt) opublikowaliśmy powyżej. Żaden detektor nie jest idealny: fałszywe alarmy to 0–2%.
Jasna płatność i zwroty
Płatność przez Polar. Dla kluczy Personal i Team — pełny zwrot w ciągu 14 dni, bez tłumaczenia się.
Historia tylko u Ciebie
Sprawdzenia, foldery i teksty są zapisane na Twoim komputerze i czyszczą się automatycznie. Wersja bezpłatna nie wymaga klucza, a płatny po aktywacji działa też bez internetu.
postęp: 1.1 → 1.3.1
Odsetek tekstów oznaczonych jako AI. Przy tekstach z generatorów wyższy wynik oznacza lepszą wykrywalność, a przy pracach ludzkich niższy wynik to mniej fałszywych alarmów. Wyniki z trybu czułego, w którym próg błędu ustawiono na ok. 1% dla tekstów pisanych przez ludzi (na naszych zbiorach 0,2–2,0%, więcej przy tekstach osób niebędących native speakerami). Szczegółowe dane znajdziesz w tabelach poniżej.
| Zbiór testowy | 1.1 | 1.3 | 1.3.1 | zmiana wzgl. 1.3 |
|---|---|---|---|---|
| Teksty napisane przez AI — wykryte, % (wyżej znaczy lepiej) | ||||
| HumanizerBench: 16 narzędzi do przepisywania, 1675 tekstów (tylko do testów, nie użyte w treningu) | 69.9 | 80.8 | 81.0 | +0.2 |
| AI Humanizer Benchmark, paź. 2026: 363 teksty (oddzielny zestaw kontrolny, nie użyty w treningu) | 81.8 | 81.3 | 84.0 | +2.7 |
| Trzy nieznane generatory: 889 tekstów | 93.0 | 94.6 | 95.5 | +0.9 |
| Chicago Booth, zwykłe AI | 99.7 | 99.8 | 99.8 | 0.0 |
| Chicago Booth, po StealthGPT | 82.9 | 86.6 | 88.0 | +1.4 |
| MAGE: krótkie teksty, stare małe modele | 44.5 | 45.9 | 46.6 | +0.7 |
| Teksty ludzi — błędnie oznaczone, % (niżej znaczy lepiej) | ||||
| Eseje egzaminacyjne TOEFL (autorzy nierodzimi), 91 | 4.4 | 6.6 | 5.5 | −1.1 |
| Chicago (teksty ludzkie): wiadomości, książki, recenzje | 0.2 | 0.1 | 0.2 | +0.1 |
| Szkolne eseje ELL (ELLIPSE), 1 500 | 1.1 | 0.5 | 0.4 | −0.1 |
| Dorośli uczący się ESL (PELIC), 1 000 | 0.7 | 0.4 | 0.4 | 0.0 |
| Dorośli ESL (W&I;), 280 | 1.8 | 0.4 | 0.4 | 0.0 |
| MAGE, ludzie, 1,400 | 1.1 | 0.9 | 2.0 | +1.1 |
Te same przepisane teksty, różne detektory
W teście HumanizerBench wszystkie programy sprawdzały dokładnie te same zmodyfikowane teksty. Im wyższy odsetek wykryć AI, tym lepiej.
Werdykty konkurentów — według operatorów benchmarku; ich progi są nieznane, więc poziomy fałszywych alarmów są nieporównywalne.
| Test Chicago Booth, surowe ustawienie (1% fałszywych alarmów) | zwykły tekst AI | po narzędziu przepisującym |
|---|---|---|
| Pangram | 99.9 | 98.1 |
| Linda Assay 1.3.1 | 99.8 | 88.0 |
| Linda Assay 1.3 | 99.8 | 86.6 |
| Linda Assay 1.1 | 99.7 | 82.9 |
| GPTZero | 98.6 | 44.3 |
| Originality.ai | 94.2 | 29.1 |
Wyniki konkurencji pochodzą z repozytorium autorów benchmarku (pomiary z 2025 r.). Na tekstach zmodyfikowanych przez „humanizery” Pangram wypada wyraźnie lepiej; nie twierdzimy, że go przewyższamy. To nasza własna ocena, a nie niezależny audyt. Oba benchmarki „humanizerów” są prowadzone przez ich twórców lub autorów rankingów publikujących wszystkie teksty i werdykty. Szczegóły i zastrzeżenia: raport techniczny.
Rosyjski i polski: co zmieniło się w 1.3.1
Rosyjski i polski działają teraz na tych samych modelach co angielski. Na naszych zbiorach testowych (po 350 tekstów AI i 350 ludzkich na język) werdykt „AI” wykrywa około 79% (polski) i 80% (rosyjski) tekstów AI przy 1,4% i 0,6% fałszywych alarmów (wersja 1.1: 39% i 57%; w 1.3 polskie fałszywe alarmy wynosiły 0,9%). Teksty przepisane przez inny model są wykrywane rzadziej (przepisane przez Gemini: polski 56%, rosyjski 59%). Zbiory są małe, spodziewaj się rozrzutu ±5 punktów. Nie porównywaliśmy rosyjskiego ani polskiego z innymi detektorami.
Linda Loupe obok Linda Assay
Te same zbiory testowe i ta sama reguła werdyktu.
| Zbiór testowy | Linda Assay | Linda Loupe |
|---|---|---|
| HumanizerBench: 16 narzędzi do przepisywania, 1675 tekstów (tylko do testów, nie użyte w treningu) | 81.0 | 69.4 |
| AI Humanizer Benchmark, paź. 2026: 363 teksty (oddzielny zestaw kontrolny, nie użyty w treningu) | 84.0 | 75.8 |
| Trzy nieznane generatory: 889 tekstów | 95.5 | 83.0 |
| Teksty AI po polsku, wykryto | 79.4 | 72.2 |
| Teksty AI po rosyjsku, wykryto | 80.3 | 77.3 |
| Teksty ludzi — błędnie oznaczone, % (niżej znaczy lepiej) | ||
| Eseje egzaminacyjne TOEFL (autorzy nierodzimi), 91 | 5.5 | 2.2 |
| MAGE, ludzie, 1,400 | 2.0 | 0.4 |
| Chicago (teksty ludzkie): wiadomości, książki, recenzje | 0.2 | 0.0 |
Linda Loupe to mniejszy model: wykrywa mniej przepisanych tekstów, a jeśli tekst został celowo zamaskowany przez „stealth” przepisywacz, to znacznie mniej; fałszywe alarmy pozostają niskie (od 0,1 do 2% na naszych zbiorach tekstów ludzkich). Własny pomiar, nie niezależny audyt.
Jak szybko działa
Pełne sprawdzenie jednego tekstu w aplikacji Windows. Komputer testowy: procesor Ryzen 7 7800X3D, karta graficzna Radeon RX 9070 XT. Starsze laptopy są wolniejsze.
1,000 słów
3,000 słów
0.25 s
0.76 s
2.7 s
8.4 s
5.7 s
20 s
CPU: 6 wątków. Ładowanie modeli przy starcie trwa 5–10 s. GPU liczy modele w połowicznej precyzji, więc wyniki nieznacznie różnią się od CPU (około 0,1 na skali, gdzie granica AI jest blisko 0); werdykty w naszych testach były zgodne. Pomiar na wersji 1.3; architektura 1.3.1 jest ta sama.
aktualności
Informacje o wydaniach i aktualizacje modeli.
Czyszczenie tekstu wg języka, dokładniejszy podział na zdania i wyraźne ostrzeżenia dla nieobsługiwanych języków. Etykieta pakietu modeli 1.3.4.1; wagi bez zmian, nie deklarujemy poprawy dokładności.
Pełna lista zmian · 2.0.7.0