sepia模型指纹系统揭秘：如何精准修正Claude、GPT、Gemini各自的AI写作痕迹

【免费下载链接】sepiaDe-AI writing skill for any Agent Skills-compatible agent (77+ via the Skills CLI), with native plugins for Claude Code, Codex, Grok Build, and Antigravity. Narrative-architecture repair for fiction, venue-matched rules for professional prose. Based on StoryScope (arXiv:2604.03136).项目地址: https://gitcode.com/gh_mirrors/sepia3/sepia

sepia 是一个面向所有兼容 Agent Skills 标准的 agent 的去 AI 写作 skill，其核心是一套模型指纹系统：根据文本的起草模型和执行模型，分别套用 Claude、GPT、Gemini 等各家模型专属的叙事层与散文层指纹，精准修正它们各自不同的 AI 写作痕迹。

大多数去 AI 工具只在词汇层打转（把 "delve" 换成别的词），但 StoryScope 研究（61,608 篇故事、人类 + 5 款前沿 LLM）证明：仅凭叙事结构特征就能以 93.2% macro-F1 检测出 AI 小说，而且连人类编辑改写表面风格后，检测率也只从 95.5% 微降到 93.9%。更关键的发现是——每家模型露馅的方式都不一样。这就是 sepia 模型指纹系统存在的原因。

两层指纹：叙事层 + 散文层

sepia 的指纹分为两层，证据来源也严格分开，记录在 model-fingerprints.md：

💡 注意一个设计原则：未公开提示词指南的厂商（如 DeepSeek、Kimi）在文件里记录为"已查阅"，不予猜测。

Claude 指纹修正：26 个特征，最容易辨认的 AI

Claude 是研究中"最容易识别的 AI"，共测出 26 个叙事指纹特征。

叙事层默认习惯与修正（Claude Sonnet 4.6）

散文层：按版本精确匹配

厂商文档为每个发布版本标注了句子级习惯，例如 model-fingerprints.md#L14-L22 记录了 Claude 叙事层，而散文层覆盖 Fable 5.1、Fable 5、Opus 5、Opus 4.8 多个版本：

• Fable 5.1 / Mythos 5.1：偏爱"有腔调的散文"——能用直白说法时用隐喻（"a dial worth turning" 而非 "a parameter worth varying"）。修正：找到所有替直白表达站岗的隐喻。
• Fable 5：不引导时会过度展开——罗列不会采用的方案、长篇解释根因；长会话里爱用"A → B → fails"箭头链简写。修正：先给结论，箭头链展开成句子。
• Opus 5：面向用户的回复默认更长、爱"预告自己接下来要做什么"。修正：删掉意图宣告和改了个寂寞的更正。

GPT 指纹修正：八卦叙事与 slop 词汇

叙事层默认习惯与修正（GPT-5.4）

散文层：版本化 slop 词表（GPT-5.6 / GPT-6 Astra）

• GPT-5.6：默认比 GPT-5.5 更简洁——但简洁过头也是缺陷，删掉必要警示或下一步动作的短答案会被 professional pass 检查 2 抓出。
• GPT-6 Astra：默认爱用列表、表格、Markdown 让回复"可扫读"；厂商自己的 slop 指令点名了整套残留习惯："Bottom Line:"、"delve"、"foster"、"leverage"、"it's worth noting"、"Question? Answer."、"This isn't about X. It's about Y."、自造复合标签（如 "exact-head checks"）。这些词被 sepia 按版本记录，在非叙事文本中按"operative 或 prior"强度逐一搜索。

Gemini 指纹修正："整齐的悲观主义者"

叙事层默认习惯与修正（Gemini 3 Flash）

散文层的一个反向陷阱

厂商文档明确写了"Gemini 3 默认更简洁"。这意味着在 sepia 的检查逻辑里：简短朴素本身不是人类证据——检查密度要反过来做：为效率而丢掉必要警示和下一步的文本，才是缺陷。

其他模型：DeepSeek 前置加载，Kimi 的"平庸中心"

所有模型家族还有一个共同的正面目标——人类指纹：主角在对话中登场（研究中最强的单个人类标记，唯一性 21.4）、单一聚焦视角、揭露后置、点名真实作品与地名、对读者说话。这些被直接转写成可用配方，见 model-fingerprints.md#L159-L169。

模型身份规则：绝不从文风反推模型

这是整个系统里最容易被误解的一条规则，写在 SKILL.md 的 Routing 部分：

1. 先确定两个身份：作者模型（文本由谁生成，来自用户或元数据）和执行模型（正在执行的 agent 跑在什么模型上），各自独立解析，互不比较。
2. 版本严格匹配：散文层表格只有发布版本与标签精确匹配时才"生效"（operative）；同家族的其他版本只作为"先验"（prior）对照。例如 GPT-5 是家族名，不是版本。
3. 禁止读文风猜模型：68.4% 的 6 路归因成绩来自训练好的分类器（304 个叙事特征），而人眼阅读不是那个分类器——sepia 从不根据文本内容推断它出自哪家模型。
4. 身份透明：每次 review 都会报告两个身份各自的状态。

如何上手：四种操作 + 安装

指纹系统不是独立的工具，它嵌在 sepia 的四种操作中，全部由一份 SKILL.md 路由：

安装只需一条命令（Skills CLI 支持 77+ 款 agent）：

npx skills add Nanako0129/sepia -g

Claude Code、Codex、Grok Build、Antigravity 另有原生插件包，详见 README.md 的 Install 一节。诊断标准是 rubric.md 中的 30 项核心特征（分 5 组、每组单独过一遍，防止自我评估塌缩到单一维度），词汇与句法层面由 style-pass.md 兜底。

核心校准原则：瞄准区间，而非相反极端

最后一条规则统御所有指纹修正：

不要反转 AI 分布，而要校准到人类分布。

人类的各项指标大多落在中段（时间不连续 2.4/5，而不是 5）。把所有规则都用到极致的故事，只会生成一套新的指纹——这就是 humanizer 自己露馅的失败模式。因此 sepia 每篇文本只挑 3–5 种手法，并刻意给文字留出松弛：普通的句子、未展开的想法、朴素的段落。

证据基线：StoryScope（arXiv:2604.03136）与厂商 prompting 文档的完整摘要见 research/storyscope.md 及 research/ 目录下的研究消化笔记。

【免费下载链接】sepiaDe-AI writing skill for any Agent Skills-compatible agent (77+ via the Skills CLI), with native plugins for Claude Code, Codex, Grok Build, and Antigravity. Narrative-architecture repair for fiction, venue-matched rules for professional prose. Based on StoryScope (arXiv:2604.03136).项目地址: https://gitcode.com/gh_mirrors/sepia3/sepia