Investigadores de UTS desarrollaron estrategias de evasión que ocupan los primeros 5 puestos en el ranking ELOQUENT 2026 Voight-Kampff aprovechando una asimetría fundamental en la vulnerabilidad del detector. El estudio encuentra que sacar el texto generado fuera de la distribución de entrenamiento del detector derrota confiablemente la detección adversarial, mientras que imitar datos humanos falla.

  • Se introdujeron dos nuevas familias de ataques fuera de distribución: ataques de registro entre décadas y forma modernista de flujo de conciencia.
  • Estas estrategias logran tasas de engaño aproximadamente 50 veces mayores que los métodos anteriores mientras preservan la naturalidad.
  • Los experimentos muestran que aumentar los datos de entrenamiento con prosa de épocas pasadas no cierra la vulnerabilidad.

Los hallazgos demuestran que las familias de detectores probados, incluidos los finamente ajustados adversarialmente, exhiben vulnerabilidades persistentes bajo cambios estructurales fuera de distribución.