UTS 的研究人员开发了规避策略，利用检测器漏洞的基本不对称性，在 ELOQUENT 2026 Voight-Kampff 排行榜上占据前 5 名。研究发现，将生成的文本推离检测器的训练分布可可靠地击败对抗性检测，而模仿人类数据则失败。
- 引入了两个新的分布外攻击家族：跨时代语域攻击和现代主义意识流形式。
- 这些策略在保持自然度的同时，欺骗率比以前的方法高出约 50 倍。
- 实验表明，用过去时代的散文增强训练数据无法弥补这一漏洞。
研究结果表明，包括对抗性微调在内的被测检测器家族在结构分布外偏移下表现出持续的漏洞。