如何检测简历是否由 AI 撰写
- 把简历或求职信粘贴到简历文本中，或者点击上传文件并选择求职者的 .pdf、.docx 或 .txt 文件。文本会在您的浏览器中提取。
- 检查提取出的文本是否完整。特殊的 PDF 版式可能会丢失部分内容，而扫描版简历根本不含文本。
- 点击检测简历。首次检测会下载检测模型（约 126 MB），之后由浏览器缓存。
- 查看总体得分、简历专项信号、高亮标出的段落，以及通用的写作风格信号。
不会上传任何内容。简历包含个人数据，因此整个分析过程（包括读取 PDF 和 Word 文件）都在您自己的设备上完成。
得分的依据是什么
得分来自与我们的 AI检测器相同的模型。主模型是 TMR，一个在 RAID 基准上训练的开源 RoBERTa 分类器，该基准涵盖 11 种语言模型生成的文本，包括经过改写和刻意伪装的输出。简历会按约 160 个词（英文）为一段进行分析，每段分别打分，并按 80% 以上、50–80% 和 30–50% 三个档位高亮标出。
如果主得分处于临界范围（介于 50% 和 97.5% 之间），则由第二个 RoBERTa 模型（在 HC3 人类对比 ChatGPT 数据集上训练）给出第二意见，并占据大部分权重。这一步的目的是减少对人类所写文字的误判，使用该步骤时，结果会同时显示两个得分。
在我们自己的一次小规模测试中（共 32 篇文本：24 篇真实的人类文本和 8 篇不同风格的 AI 文本），8 篇 AI 文本的得分全部在 95–99%，24 篇人类文本中有 23 篇得分低于 50%；有一条随意的人类评论被误判。该测试不包含简历，也不是基准评测。
简历专项信号
这些数据显示在得分旁边，帮助您判断文档。它们不会改变得分。
| 信号 | 衡量内容 | 如何解读 |
|---|---|---|
| 流行词密度 | 每 100 个词中出现的通用简历流行词数量，例如“results-driven”“proven track record”“spearheaded”“cross-functional”或“stakeholders” | 每 100 个词超过 3 个就算偏高。聊天机器人偏爱这些词，不过许多简历模板和职业教练也一样。 |
| 发现的流行词 | 出现的流行词及其次数 | 可用于向求职者反馈，或发现那些说了很多话却没有什么实质内容的简历。 |
| 具体程度 | 包含数字或指标的行（或要点）所占的比例 | 低于 25% 说明具体数据很少。AI 撰写的简历往往含糊其辞，因为模型并不了解求职者的真实成果。 |
| 要点长度一致性 | 各要点长度的差异程度 | 五个或更多要点的长度都非常均匀，是生成式简历中常见的特征。 |
给招聘人员的提醒
许多求职者会用 AI 润色简历、修改语法或把简历翻译成英文。这本身并不是不诚实，就像请朋友帮忙校对简历并不是不诚实一样。关键在于经历和成果是否真实。
请把高分当作提问的线索，而不是拒绝的理由。可以请求职者用自己的话描述简历中的某个项目，解释某个数字是如何得出的，或者讲讲当时出了什么问题、现在会怎么改进。真正做过这些工作的人，无论简历是怎么写的，都能轻松回答。
对于用第二语言写作的求职者要格外谨慎。非母语的英语往往更规整、更可预测，这会抬高 AI 得分，哪怕每个字都是他们自己写的。
为什么简历很难判断
对任何 AI 检测器来说，简历几乎是最难的情形之一。它篇幅短、由列表而非连贯文章构成，而且采用的是人和聊天机器人都从同样模板中模仿来的程式化文风。因此，这里的结果会比论文或文章更不确定。
小技巧
- 求职信请单独检测。文字越多，得分越可靠。
- 如果 PDF 提取出的文本一团乱，请用 PDF转文本或 PDF转Word转换后，再粘贴整理好的文本。
- 如果两份申请看起来可疑地相似，可以用查重工具对比；它能找出相同的措辞和改写过的句子。
- 求职者：如果您自己的简历得分很高，请把泛泛的套话换成具体的数字、工具和成果。这样对人工阅读者来说也更有说服力。
常见问题
求职者的简历会被上传到某处吗？
不会。文件在您的浏览器中读取和分析。文档和提取出的文本都不会发送到我们的服务器。
我应该因为得分高就拒绝求职者吗？
不应该。得分只是一个概率，存在已知的误判，而且用 AI 润色简历很常见，本身并不是不诚实。请用它来决定面试时问什么。
它适用于其他语言的简历吗？
这些模型是用英文训练的。其他语言的简历也许能得到一个分数，但请不要依赖它。
为什么我自己写的简历得分很高？
简历篇幅短、以列表为主且程式化，而流行词堆砌的模板读起来就像聊天机器人的输出。非母语的英语也会抬高得分。加入具体细节并让句式有所变化，通常会有帮助。
更新于