스타일 감지기를 무너뜨리다: AI-텍스트 암스 레이스에 대한 3 시간의 에이전트 연구

실증적 NLP 연구는 보통 몇 주가 걸립니다. 공개된 데이터와 현대적인 에이전트 연구 도구 (agentic-research harness) 를 활용하여, 최근 ACL 2026 의 LLM 초안 수정에 대한 개인 스타일 편집 연구의 모든 실험을 재실행하고, 인간 조사자가 리뷰어-in-the-loop(루프 내 리뷰어) 역할로만 참여하도록 세 가지 새로운 실험을 추가했습니다. 우리는 7 개의 사전 등록 가설을 재현하고, 인식된 자기 유사성과 임베딩 측정 자기 유사성 간의 논문 헤드라인 상관관계를 소수점 셋째 자리까지 복원 ($r{=}{+}0.244$, $p{<}10^{-8}$, $n{=}648$). 누출 없는 홀드아웃 프로토콜 하에서 GPT-5.5 와 Claude Opus 4.7 은 324 개의 짝지어진 과제에서 동일한 저자 상한선 (same-author ceiling) 의 스타일 간격 ($71$--$75,%$) 을 닫았고, 인간 후 편집보다 $24,%$ 낮았으며, 약 $80,%$ 의 과제를 인간 후 편집을 이겼습니다. 우리는 동일한 데이터를 AI-텍스트 감지 암스 레이스 (arms race) 로 재구성했습니다. LUAR-MUD 임베딩에 대한 저자 제외 선형 SVM 은 접근 방식마다 AUC $0.93$--$1.00$ 을 달성했으며, 6 가지 진단은 GPT-5.5 감지가 주로 길이 혼란 (length confound) 이며 Opus 감지는 진정한 스타일 서명임을 보여줍니다. $T{=}20$ 번의 피드백 반복에 대해 고정된 감지기에 맞서면, Opus 에이전트는 5 개의 홀드아웃 테스트 모방 중 2 개를 인간 반공간 (human half-space) 으로 전환하고 모든 마진을 10 배 감소시킵니다. 알려진 감지기에 moderate effort(중간 노력) 를 기울이면, 최첨단 LLM 은 이미 자신의 AI 감지 확률을 효율적으로 낮출 수 있습니다. 모든 코드, $648$ 개의 모방 초안, 훈련된 감지기, 진단, 그리고 적대적 궤적은 공개되었습니다.