UTS के शोधकर्ताओं ने एवेशन रणनीतियाँ विकसित कीं जो डिटेक्टर की कमजोरी में मौलिक असमरूपता का लाभ उठाकर ELOQUENT 2026 Voight-Kampff लीडरबोर्ड पर शीर्ष 5 स्थानों को घेर लेती हैं। अध्ययन पाता है कि जनरेटेड टेक्स्ट को डिटेक्टर के ट्रेनिंग वितरण से बाहर धकेलना प्रतिद्वंद्वी डिटेक्शन को विश्वसनीय रूप से हरा देता है, जबकि मानव डेटा की नकल करना विफल रहता है।
- वितरण के बाहर दो नए हमले परिवारों का परिचय दिया गया: दशकों के बीच रजिस्टर हमले और आधुनिकवादी स्ट्रीम ऑफ कॉन्शियसनेस रूप।
- ये रणनीतियाँ प्राकृतिकता को बनाए रखते हुए पिछली विधियों की तुलना में लगभग 50 गुना अधिक फूल दर प्राप्त करती हैं।
- प्रयोग दिखाते हैं कि पीरियड प्रोस के साथ ट्रेनिंग डेटा को बढ़ाने से कमजोरी बंद नहीं होती है।
यह निष्कर्ष दर्शाता है कि परीक्षण किए गए डिटेक्टर परिवार, प्रतिद्वंद्वी रूप से फाइन-ट्यून किए गए सहित, संरचनात्मक आउट-ऑफ-डिस्ट्रीब्यूशन शिफ्ट के तहत लगातार कमजोरियाँ प्रदर्शित करते हैं।