Как отличить текст нейросети от человеческого: 9 признаков и промпт, который их убирает (2026)

Отличить текст нейросети от человеческого можно на глаз, без прогонки через детектор. Работают три слоя признаков: словарь (модели злоупотребляют узким набором слов), ритм (у машины предложения одинаковой длины, у человека рваные) и структура (тройные перечисления, симметричные абзацы, вывод-бантик в конце каждого блока). Ниже девять конкретных маркеров с объяснением, почему модель их порождает.

Ещё дам два промпта: первый прогоняет твой черновик как аудитор и показывает, где он палится, второй чистит текст по списку. И честно скажу, что из английских признаков на русском не работает вообще.

Коротко: словарик по теме

• Перплексия (perplexity) - насколько текст предсказуем для языковой модели. Чем ниже, тем ровнее и «машиннее» читается.
• Взрывность (burstiness) - разброс длины и сложности предложений внутри текста. У людей высокий, у моделей низкий.
• Excess vocabulary - слова, частота которых после запуска ChatGPT скакнула вверх без всякой причины. Метод, которым учёные измеряют долю машинных текстов в корпусе.
• RLHF - дообучение модели на человеческих оценках. Именно оно делает тон вежливым, осторожным и объяснительным.
• Хеджирование - смягчающие обороты вроде «может свидетельствовать», «стоит отметить», «в ряде случаев».

Признак 1. Любимые слова моделей

Самый измеримый маркер. Дмитрий Кобак с соавторами прогнали 14 млн абстрактов PubMed за 2010-2024 годы и посмотрели, частота каких слов подскочила после конца 2022 года. Список оказался узким и стилистическим: delve, underscore, intricate, pivotal, showcase, meticulous, leverage, robust, seamless, comprehensive, multifaceted, notably, interplay, tapestry, realm. По этому скачку они оценили, что как минимум 13,5% абстрактов 2024 года писались с языковой моделью, а в отдельных дисциплинах доля доходила до 30%. Работа вышла в Science Advances.

На русском прямого аналога такого исследования пока нет, поэтому дальше идёт наблюдение, а не цифра. Модели переносят те же смыслы, просто другими словами:

Ключевое отличие от обычных штампов: эти слова не привязаны к теме. Модель ставит «комплексный подход» и в текст про кровельные работы, и в текст про детский сад. Живой автор берёт слово из своей области, машина берёт слово из своего среднего.

Признак 2. Ровный ритм: разброс длины предложений

Самый надёжный признак и при этом единственный, который считается арифметикой. Языковая модель на каждом шаге выбирает вероятное продолжение, а вероятное продолжение почти всегда среднее по длине. Поэтому предложения выходят похожими друг на друга: 14 слов, 16 слов, 15 слов, 17 слов.

Человек так не пишет. У него идёт длинная фраза с двумя придаточными, потом три слова точкой, потом опять длинная. Это и есть взрывность.

Как померить без всяких инструментов: возьми любые десять предложений подряд, посчитай слова в каждом, посмотри на самое короткое и самое длинное. У живого текста разница обычно втрое и больше (например, 4 и 28 слов). У машинного - в пределах полутора-двух раз.

Оговорка честная: у сухого делового человеческого текста разброс тоже низкий. Инструкция, отчёт, юридическая справка ровные по природе. Поэтому признак работает на публицистике, постах, эссе, статьях, а на документах даёт ложные срабатывания.

Признак 3. Правило трёх

Модель обожает перечисления ровно из трёх пунктов. «Быстро, дёшево и надёжно». «Планирование, исполнение, контроль». Три подпункта в каждом разделе, три примера в каждом абзаце.

Причина простая: три элемента звучат завершённо и в обучающих данных встречаются чаще любого другого количества. Живому автору хватает двух пунктов, если у него их два, и он спокойно ставит пять, если их пять.

Проверка: пробеги текст и посчитай, сколько перечислений содержат ровно три элемента. Если больше половины - это модель.

Признак 4. Контрастная конструкция «не X, а Y»

Тот самый оборот в духе «дело не в инструменте, а в подходе» или «это не просто редактор, это среда разработки». Модель ставит его, потому что дообучение на человеческих оценках награждает объяснительный тон, а такая конструкция выглядит как объяснение: сначала снимаем неверное понимание, потом даём верное.

Живой автор к нему тоже прибегает, но раз на текст. Модель лепит его в каждый второй абзац, часто там, где никакого противопоставления по смыслу нет.

Рядом стоит близкий родственник: «Это не просто X. Это Y» разбитый на два предложения. И конструкция «большинство людей делают это неправильно», с которой модель любит начинать.

Признак 5. Длинное тире там, где хватило бы запятой

Модели ставят длинное тире в разы чаще людей. Признак настолько заметный, что OpenAI пришлось завести отдельную настройку предпочтений «без длинного тире», чтобы пользователи могли его выключить.

В русском тире живёт легально и в человеческих текстах, поэтому само по себе оно ничего не значит. Смотреть надо на количество: если тире стоит в каждом втором предложении и заменяет собой запятые, двоеточия и скобки подряд, текст, скорее всего, машинный. Дополнительная примета - именно длинный типографский знак, который с обычной клавиатуры просто так не вводится.

Мелочь, но показательная: человек, набирающий текст с телефона, длинное тире почти никогда не поставит, потому что его там неудобно вводить.

Признак 6. Хеджирование: осторожность вместо позиции

«Может указывать на», «данные позволяют предположить», «в ряде случаев», «стоит отметить, что», «важно понимать». Модель обмазывает утверждения смягчителями даже там, где факт простой и однозначный.

Механизм внятный. На этапе обучения на человеческих оценках асессоры работают быстро и наказывают уверенную ошибку сильнее, чем награждают уверенную правоту. Осторожный ответ безопаснее, поэтому модель уезжает в осторожность как в стратегию.

Отличие от живого текста: человек хеджирует там, где реально не уверен, и режет прямо там, где знает. Модель хеджирует равномерно по всему тексту, включая утверждения уровня «вода мокрая». Если в статье нет ни одного прямого утверждения без страховки, это машина. Подробнее про то, почему модель охотно уходит в обтекаемость и придумывает детали, разбирал в гайде почему нейросеть выдумывает факты.

Признак 7. Одинаковые имена и выдуманные примеры

Красивый маркер, о котором мало кто знает. Если попросить модель придумать персонажа, она достаёт имя из очень узкого пула, и у каждой модели он свой. Claude тянется к Elena Vasquez, Marcus Chen, Amara Okafor. GPT любит Elara Voss. Gemini выдаёт Aris Thorne и Lena Petrova. Явление описано в работе Brzozowski и Chung 2026 года про коррелированные приоры имён.

На русском тот же эффект: Анна Петрова, Иван Соколов, «маркетолог Мария из Казани». Плюс синтетические кейсы с круглыми цифрами: «компания увеличила выручку на 40%», «клиент сэкономил 15 часов в неделю». Источника у такой цифры нет никогда.

Проверка простая: возьми любую цифру или имя из текста и попробуй нагуглить. Если следов нет, а формулировка при этом звучит как отсылка к реальному случаю, пример синтетический.

Признак 8. Симметричная структура и вывод-бантик

Машинный текст архитектурно ровный. Каждый раздел примерно одной длины. В каждом есть вводное предложение, три пункта и обобщающая фраза в конце: «в конечном счёте», «в итоге всё сводится к тому, что». Абзацы почти одинаковые по объёму.

Живой текст перекошен: на важной мысли автор зависает на пять абзацев, скучный кусок проскакивает одной строкой. Он бросает раздел без вывода, потому что вывод очевиден.

Отдельная примета - финальный абзац, который пересказывает всю статью и добавляет вдохновляющую мысль про будущее. Ни один живой человек так свои посты не заканчивает, кроме школьного сочинения.

Признак 9. Конкретика, которая при ближайшем рассмотрении пустая

Модель умеет имитировать точность. «Значительно повышает эффективность». «Существенно сокращает время». «Ряд исследований показывает». Формально это конкретные утверждения, фактически проверить в них нечего.

Отличие живого автора в том, что у него конкретика неудобная и кривая: «у меня ушло часа полтора, потому что дважды сломалась авторизация». Такое модель не придумывает, потому что среднее по интернету так не звучит.

Это же самый надёжный ориентир при проверке чужого текста: ищи детали, которые могли появиться только из личного опыта. Если их ноль на всю статью, автор либо не работал с темой, либо не писал текст.

Таблица: девять признаков и насколько им можно верить

Почему модели пишут именно так: механика в двух абзацах

После основного обучения на огромном корпусе модель проходит ещё два этапа, и именно они лепят узнаваемый стиль.

Первый - дообучение на демонстрационных ответах. Их объём измеряется тысячами или миллионами примеров против триллионов токенов основного корпуса. Но обучение подгоняет модель именно под них, поэтому если в этой небольшой выборке слово встречается впятеро чаще нормы, модель начинает считать эту частоту правильной. Так словарь целого интернета перекрывается словарём нескольких тысяч написанных подрядчиками текстов.

Второй - оптимизация под человеческие предпочтения. Асессорам показывают два ответа, они выбирают лучший, на этих парах обучается модель-оценщик, а под неё уже подтягивается сама языковая модель. Ограничение не даёт ей уехать слишком далеко от исходной, но направление задают именно оценки: вежливо, структурно, объяснительно, осторожно. Отсюда и тройные списки, и хеджирование, и контрастные конструкции.

Насколько хорошо люди справляются на глаз

Плохо, если признаков не знать. В работе Fraser, Dawkins и Kiritchenko 2025 года средняя точность людей составила 59% при случайном угадывании в 50%. В исследовании Cheng с соавторами того же года цифры ещё хуже: средняя точность 19%, полностью машинный текст читатели узнавали в 10% случаев, полностью человеческий - в 17%.

Расхождение объясняется форматом: в первом случае тексты короткие и однотипные, во втором длиннее и разнообразнее. Общий вывод одинаковый - интуиция без чек-листа не работает.

Со списком маркеров ситуация другая, потому что ты перестаёшь опираться на ощущение и начинаешь считать. Разброс длины предложений, доля тройных перечислений, число прямых утверждений без страховки. Три сошедшихся признака дают уверенность выше, чем большинство платных сервисов, у которых своя беда с ложными срабатываниями - разбор точности и ошибок сервисов лежит в отдельном гайде про детекторы ИИ-текста.

Что из английских признаков на русском не работает

Отдельная русская примета, которой нет в английских списках: канцелярит. Модель на русском сваливается в «осуществляется», «является», «данный», «в рамках», «с целью». В английском такого перекоса нет, потому что там дообучение шло на более разговорном материале.

Вторая русская примета: калька с английского синтаксиса. Начало предложения с деепричастного оборота через раз, притяжательные конструкции в духе «ваш путь к освоению инструмента».

Промпт-аудитор: показывает, где текст палится

Первый промпт ничего не переписывает, он только считает. Удобно прогонять чужой текст или свой черновик перед публикацией.

Ты редактор, который проверяет текст на признаки генерации языковой моделью. Не переписывай текст. Только анализируй.
 
Проверь текст по девяти признакам и по каждому дай короткий вердикт с примерами из текста:
1. Слова-маркеры моделей (погрузиться, подчеркнуть, ключевой, комплексный, многогранный, бесшовный, важно отметить, стоит отметить). Выпиши найденные с числом повторов.
2. Ритм. Посчитай количество слов в первых 10 предложениях, выведи список чисел, минимум и максимум. Если максимум меньше чем втрое больше минимума, отметь как признак машины.
3. Правило трёх. Сколько перечислений состоит ровно из 3 пунктов, какая это доля от всех перечислений.
4. Конструкция противопоставления вида «не X, а Y» и «это не просто X, это Y». Выпиши все случаи.
5. Длинное тире. Посчитай количество на 1000 знаков.
6. Хеджирование. Найди смягчающие обороты и укажи, есть ли в тексте хоть одно прямое утверждение без страховки.
7. Имена и кейсы. Перечисли все имена, названия компаний и цифры, у которых в тексте нет источника.
8. Симметрия. Длина разделов в словах, есть ли обобщающий вывод в конце каждого.
9. Пустая конкретика. Найди утверждения вида «значительно повышает», «существенно сокращает», где нет измеримой величины.
 
В конце дай итог: сколько признаков из девяти сработало, и вердикт одной строкой - человек, модель или человек с правкой модели. Без вежливых вступлений, сразу к делу.
 
Текст для проверки:
"""
СЮДА ТЕКСТ
"""

Промпт-чистильщик: убирает признаки

Второй промпт переписывает. Работает в любой модели, но лучше всего в Claude, потому что он аккуратнее держит длинные списки запретов.

Перепиши текст так, чтобы он читался как живая речь человека. Убери из него всё, по чему видно работу языковой модели. Смысл, факты и цифры сохрани полностью, ничего не выдумывай и не добавляй новых утверждений.
 
Жёсткие запреты:
- слова-маркеры: погрузиться, углубиться, подчеркнуть, ключевой, критически важный, комплексный, многогранный, бесшовный, органично, потенциал, ориентироваться в мире, яркое свидетельство;
- канцелярит: осуществляется, является, данный, в рамках, с целью, в связи с чем;
- конструкция противопоставления «не X, а Y» и «это не просто X, это Y» в любом виде;
- формальные связки: таким образом, более того, помимо этого, следовательно, итак, подводя итог;
- длинное и среднее тире, только короткий дефис, запятая, двоеточие или точка;
- обобщающий вывод в конце каждого раздела и вдохновляющий финальный абзац про будущее.
 
Обязательные требования:
- разброс длины предложений: на каждые 10 предложений минимум два короче 6 слов и минимум два длиннее 20;
- перечисления делай той длины, какая есть по смыслу, специально к трём пунктам не подгоняй, подряд идущих троек не допускай;
- хеджирование оставь только там, где утверждение реально спорное, в остальных местах пиши прямо;
- пустые оценки («значительно повышает») либо замени на измеримую величину из исходного текста, либо выброси совсем;
- обращение на «ты», короткие абзацы по 1-3 предложения.
 
Сначала выведи переписанный текст. Потом отдельным блоком список того, что ты убрал, по пунктам.
 
Текст:
"""
СЮДА ТЕКСТ
"""

Честная оговорка: промпт снимает поверхностный слой. Ровный ритм он поправит частично, а личный опыт не добавит вообще, потому что взять его модели неоткуда. После прогона текст всё равно нужно дописать своими случаями и цифрами. Как собрать такие правила один раз и не вставлять их в каждый запрос, разбирал в гайде про текст без запаха нейросети, а готовые чужие наборы правил лежат в подборке скиллов Claude для текстов.

Порядок проверки чужого текста

Три флага из четырёх дают уверенный вердикт. Один флаг не значит ничего.

Работает ли это из России и сколько стоит

Сама проверка бесплатна: считать предложения и гуглить цифры можно без всяких сервисов. Деньги нужны только на модель, если гоняешь промпты.

Claude из России напрямую не открывается, нужен рабочий VPN с зарубежным IP. Бесплатного тарифа хватает на несколько прогонов в день, дальше упираешься в лимиты. Подписка Pro стоит $20 в месяц и требует зарубежной карты, оплатить можно через сервис оплаты подписок (реферальная ссылка: тебе тот же прайс, мне небольшой процент).

Без VPN есть российские агрегаторы: BotHub с тарифами от $3 и MashaGPT (Base 990 ₽/мес, Ultra 1990 ₽/мес). Они дают доступ к моделям OpenAI и Anthropic за рубли, и для прогона двух промптов этого достаточно.

Отдельно про бесплатный путь: оба промпта работают в GigaChat и в бесплатной версии любой доступной модели. Качество чистки будет ниже, но аудит по девяти пунктам считается арифметикой, и с ним справится почти любая модель. Как выжимать больше из формулировок, собрал в гайде про то, как писать промпты.

Чек-лист: что у тебя теперь есть

• Девять признаков машинного текста с понятным механизмом за каждым.
• Арифметический способ померить ритм на десяти предложениях, без всяких инструментов.
• Список русских слов-маркеров и таблица соответствий с английскими.
• Понимание, какие английские приметы на русском не работают (длинное тире, конкретные слова) и какие переносятся полностью.
• Промпт-аудитор, который считает признаки и выдаёт вердикт.
• Промпт-чистильщик со списком запретов и требованием разброса длины фраз.
• Порядок проверки чужого текста за 10 минут: ритм, словарь, факты, опыт.
• Трезвое понимание границ: три флага из четырёх это повод для вопроса, но не доказательство.

По материалам статьи Сэма Блэка «Is This Slop? Detecting AI-Generated Content Without a Model» на Towards Data Science, 5 августа 2026: https://towardsdatascience.com/is-this-slop-detecting-ai-generated-content-without-a-model-2/