23個開源模型自架偵測「AI味」文字:SlopTotal背後，是一場去中心化的反制行動

一個名為SlopTotal的開源專案，最近出現在Hacker News的討論上（專案網址:https://github.com/pablocaeg/sloptotal）。它的訴求很直接:不把文字丟給第三方API，而是在自家硬體上，一次動用23個開源模型，判斷一段文字的「AI味」有多重。

「Slop」這個詞，是英文社群近兩年用來形容大量低品質AI生成內容的行話。這個專案名稱本身就是宣言:slop已經多到需要一個total solution。

自架，才是重點

市面上不缺AI文字偵測器，多半是雲端服務。問題在於:把整份文稿、整批學生報告、整個內容農場的資料丟給第三方，隱私與資料主導權就交出去了。SlopTotal走的是另一條路——模型在你的機器上跑，資料不出門。

這不是孤例。同一週內，self-hosted AI社群的動能相當密集:有人在Reddit分享名為kindling的開源runtime（Apache-2.0授權），用Firecracker microVM做到磁碟休眠、約30毫秒喚醒，還能跑agent沙箱與小型AI模型（發文者宣稱，https://www.reddit.com/r/SelfHostedAI/comments/1wrygbc/）；Edera也發布了在Kubernetes上自架AI agent沙箱的教學（https://edera.dev/stories/how-to-use-self-hosted-ai-agent-sandboxes-on-kubernetes-with-edera）；甚至有人示範用自架AI agent在自家資料上打造內部應用（https://www.youtube.com/watch?v=FNgjuvw2BmU）。

把這些擺在一起看，趨勢很清楚:AI工具鏈的「自架派」正在成形，而SlopTotal是這股力量在「偵測」這一端的落點。

機制:委員會比單一裁判可靠

單一模型的AI偵測器有個老問題:誤判率高，而且對非母語寫作者特別不友善。SlopTotal用23個模型同時投票，概念上像委員會制——單一裁判會偏頗，多個立場不同的裁判一起看，個別模型的偏差有機會互相抵銷。代价是算力:23個模型同時推理，對硬體有一定門檻，這也解釋了它為何天然屬於self-hosted社群而非一般消費者。

對台灣的意義

台灣的教育現場早已面對學生作業AI化的難題。市面上商用偵測器對中文的表現本就參差，把學生作業上傳國外雲端服務，還多了一層個資疑慮。自架、可審計、可換模型的偵測方案，對大學與內容平台來說，是資料治理上更站得住腳的選項。

更根本的問題是:偵測器本身由誰定義「什麼算AI味」？當偵測權集中在少數雲端服務，它們的偏誤會變成全域標準。開源、可自架、可檢驗的方案，至少讓「誰在把關」這件事可以被攤開來看。

SlopTotal會不會被證明誤判率仍然太高？很有可能——AI偵測本質上是貓捉老鼠。但它的價值或許不在準確率，而在於示範了另一種權力分配:把判斷slop的權力，從平台手裡拿回自己機器上。