표준적인 AI 텍스트 탐지 (AI-text detection) 벤치마크는 사람이 작성한 텍스트와 대규모 언어 모델 (LLMs)에 의해 직접 생성된 텍스트를 비교합니다. 이전 연구들은 재작성 (rewriting) 및 패러프레이징 (paraphrasing)이 탐지기 성능을 저하시킬 수 있음을 보여주었지만, 이러한 전통적인 벤치마크에서 측정된 성능이 사람이 작성한 콘텐츠를 LLM이 재작성했을 때의 탐지기 동작을 예측할 수 있는지는 여전히 불분명합니다. 이러한 격차를 해소하기 위해, 우리는 1,800개의 인간 소스 텍스트 (XSum, WritingPrompts, OpenWebText에서 각각 600개씩)와 4개의 오픈 웨이트 (open-weight) 생성기 (Llama-3.2-3B, Qwen2.5-7B, Mistral-7B, Gemma-2-9B)로 구축된 Authorship-Rewriting Benchmark (ARB)를 소개합니다. 각 소스 항목은 네 가지 매칭된 변형을 생성합니다: 사람이 작성한 것 (HUMAN), 직접적인 LLM 생성 (Free-LLM), LLM이 재작성한 인간 텍스트 (H2L), 그리고 동일한 생성기가 재작성한 LLM 텍스트 (LLM2L). 우리는 엄격한 1% 허위 양성 작동 지점 (TPR@1%FPR)에서 5개의 탐지기 (FastDetectGPT, Binoculars-falcon-7b, RADAR, BERT-Defense, RoBERTa-Defense)를 평가했습니다. FastDetectGPT와 Binoculars-falcon-7b는 직접적인 LLM 텍스트의 91.2%와 93.5%를 탐지했지만, LLM이 재작성한 인간 텍스트에 대해서는 각각 30.8%와 15.1%만을 탐지하여 60-78 퍼센트 포인트 하락했습니다. 동일한 탐지기들은 LLM 텍스트가 동일한 모델에 의해 재작성되었을 때 78.3%와 83.0%의 재현율 (recall)을 유지하며, 10-13 포인트라는 훨씬 적은 하락을 보였습니다. RADAR 또한 동일한 패턴 (66.8%에서 12.2%로)을 따랐으나, BERT-Defense와 RoBERTa-Defense는 모든 영역에서 3% 미만의 재현율을 유지했습니다. 이러한 결과는 전통적인 인간 대 LLM (human-vs-LLM) 벤치마크에서 측정된 탐지기 성능이 LLM에 의해 수정된 인간 작성 텍스트로 전이되지 않음을 보여줍니다. 이는 동일한 탐지기들이 LLM 전용 재작성에는 대체로 견고하게 유지됨에도 불구하고 나타나는 현상입니다.