Pesquisadores da UTS desenvolveram estratégias de evasão que ocupam as 5 primeiras posições no ranking ELOQUENT 2026 Voight-Kampff explorando uma assimetria fundamental na vulnerabilidade do detector. O estudo descobre que empurrar o texto gerado para fora da distribuição de treinamento do detector derrota confiavelmente a detecção adversarial, enquanto imitar dados humanos falha.
- Duas novas famílias de ataques fora da distribuição foram introduzidas: ataques de registro entre décadas e forma modernista de fluxo de consciência.
- Essas estratégias alcançam taxas de engano aproximadamente 50 vezes maiores do que métodos anteriores, preservando a naturalidade.
- Experimentos mostram que aumentar os dados de treinamento com prosa de épocas passadas não fecha a vulnerabilidade.
As descobertas demonstram que as famílias de detectores testados, incluindo os finamente ajustados adversarialmente, exibem vulnerabilidades persistentes sob mudanças estruturais fora da distribuição.