Humanizer 12B：一个本地运行的 AI 文本改写模型，以及它自己公布的数字说明了什么

时间线

1. 2026年9月11日

   humanizer 仓库出现在 Hugging Face 上。模型卡介绍说，这是一个从 google/gemma-4-12B 微调而来、以 Apache 2.0 发布的 12B 模型，能把 AI 写的英文和中文草稿改成像真人写的，同时保留每一个数字、单位、日期、名字和引文。

   jialinyyzz/humanizer model card

2. 2026年10月2日

   作者用 Originality.ai 的最严格档，检测用 bf16 权重生成的 210 篇英文改写：11 篇被判为 AI，上一个版本是 26 篇。模型卡强调，训练的任何环节都没有使用 AI 检测器。

   humanizer model card, Evaluation details

3. 2026年10月4日

   从这一天起，每个 GGUF 文件都在元数据里保存推荐的采样设置，并带有一个聊天模板，用最后一条用户消息构造模型的提示词，所以像 llama-server 聊天接口这样的前端，也能驱动这个本质上是文本补全的工具。

   humanizer model card, Prompt format

它是什么，不是什么

大多数标榜“AI 人性化”的工具都是网页表单，这个却是一个可以下载的模型。模型卡介绍它是一个 12B 参数的改写模型，输入语言模型写的草稿，输出读起来像真人写的版本，支持英文和中文。它的设计目标只有一条约束：保留每个数字、单位、日期、名字和引文，不添加任何内容。它在本地运行，有适用于 Apple 芯片 Mac 和 Windows 的应用，模型卡还给出了 llama.cpp、MLX、transformers、vLLM 和 Ollama 几条使用路径。模型从 google/gemma-4-12B 微调而来，权重和代码都采用 Apache 2.0。

它不是聊天机器人。模型卡反复强调，这是纯文本补全，没有系统提示词，也没有轮次标记：你发送一条固定的指令，空一行，接上草稿、一个分隔符和“Rewritten:”这几个字，然后让模型接着往下写。卡里要求只在序列结束符处停止，不要设置停止字符串，并使用 temperature 1.0 和 top-p 0.95，关闭 top-k 和 min-p，否则 llama.cpp 的默认值和随附的生成配置会造成干扰。要求这么琐碎，说明这是为单一用途打造的工具。

作者讲的制作过程

模型卡里的训练过程写得足够细，可以检验，这并不常见。第一阶段是在 28,598 对数据上做监督微调，每一对是语言模型写的草稿配一篇真实的人类原文；人类一侧的来源写的是论文摘要、政府报告、学生作文、公司邮件和邮件列表、Reddit、Hacker News 和知乎。第二阶段是偏好训练，用 3,918 对数据，只按事实保真度和是否照抄来挑选，由一个 LLM 评判。第三阶段是三轮强化学习，共 500 步：前 200 步使用严格的单票事实评审，之后两轮各 150 步；每一步使用 16 篇草稿，每篇采样 8 次。

奖励由两部分构成：一部分来自一个 LLM 评审，它把每篇改写与草稿对照着读，对严重错误、编造内容、意思改变和丢失格式扣分；另一部分是对照抄草稿的五元词组和句子骨架的惩罚。模型卡说，第二个版本每一行所用的数据都发布在一个配套数据集里。它还提出了一个对理解那个醒目数字很关键的说法：训练的任何环节都没有使用 AI 检测器，既没有当作奖励，也没有用来过滤数据或挑选检查点。

醒目的数字：95% 被判为人写

模型卡的标题数字是：10 月 2 日，Originality.ai 在最严格档下，把 210 篇英文改写中的 95% 判为人写；11 篇被判为 AI，上一个版本是 26 篇，模型卡称这一差异在配对数据上具有统计显著性。它还和一个公开基线做了对比：那是一个在 GitHub 上约有 5.3 万颗星的 humanizer skill，由 Claude Sonnet 用它改写其中 60 篇相同的草稿，结果 60 篇全部被判为 AI。新模型在同样的 60 篇上，只有 4 篇被判出。

有三个理由让人对这个数字不要太当真，而且三个理由都来自模型卡本身。第一，它只是一个检测器在某一天的结果，模型卡自己说检测器会变，也没有任何东西能保证检测结果。第二，评测用的草稿来自作者留出的数据集，由三个前沿模型大致平均地写成，所以对于比如人先起了头、AI 再润色的博客文章，它能说明的很少。第三，最套路化的文体依然最难：模型卡的分项里，带表情符号和话题标签的社交帖子 16 篇中有 3 篇被判出，正式的政策备忘录 13 篇中有 2 篇，而邮件、博客文章、Reddit 帖子和产品评论没有一篇被判出。

模型卡摊开来的数字

更有用的数字是关于事实的。严格的 LLM 评审在 420 篇英文改写中的 376 篇里没有发现事实问题；其余 44 篇被标记，共 135 个问题，其中 125 个只是一个词或一个短语。模型卡举的例子是，草稿里写“The remaining 37 complaints”，改写后变成了“The other 37% of complaints”。中文的情况弱一些：204 篇改写中有 149 篇没有事实问题。上一个版本的成绩是英文 420 篇中 369 篇、中文 204 篇中 135 篇，所以方向是好的，但绝对水平并不完美。

模型卡还列出了与事实无关的几种失败方式。420 篇英文输出中有 28 篇丢掉了列表或标题之类的格式元素。带技术术语的简短随意英文草稿，偶尔会整篇改成中文返回，应用和命令行工具会检测到并重试。在随意的文体里，它有时会添加草稿里没有的俚语或脏话。另外，模型卡上的前后对照示例都是挑出来的：从通过事实评审的结果里，在八次采样中选出最好的一个。

甚至还有对评审本身的审计。第二个评审重新读了第一个评审标记为严重的 150 篇改写；其中 99 篇确认问题严重，41 篇认为是小问题，10 篇认为事实没有变。作者的结论是，有些标记只是无害的改写措辞，同时他们仍然提醒你，发出去之前要核对数字、日期和名字。

为什么这比 95% 更重要

一个在数字上大体正确的工具，文档处理得足够多之后，总会改错一个。模型卡也这样说：发送之前请读一遍结果。这才是使用它的真实成本，也是命令行工具对任何丢失数字的片段发出标记这个习惯，比检测分数多几个百分点更有价值的原因。速度数据有助于建立预期：在 M5 Max 上，应用的 llama.cpp 配置每秒大约生成 36 到 38 个词元，所以一封一百字的邮件约需 3.6 秒，一封约 300 个汉字的中文邮件约需 8.5 秒。

模型卡对伦理问题也说得很明确。它把这个工具定位为处理你自己草稿的写作工具，并表示如果学校、雇主或刊物对 AI 辅助有规定，你应该遵守。我们同意，还想再补一句：只是躲过检测器的改写，并没有让底稿变得更好。值得期待的这类工具，是在你自己的机器上把生硬的草稿改得像人写的，同时事实原样保留。

如果你只想用托管服务

我们的目录收录了 Grammarly AI Humanizer，一个免费的托管工具，能把 AI 文本改成自然的文字并保持原意。这是另一种取舍：不用安装，也不需要本地硬件，但你的文本会发送到一项服务。至于这个模型的哪个文件适合你的机器，请看8、16 或 32 GB 内存该选哪个 humanizer 文件。

我们的看法

这是一次文档齐全的发布，也有这类产品的通病：多数人会转述的那个说法，恰恰与真正重要的质量关系最远。判断它是否适合你的工作，应该看事实核查的数字，不要看检测器的数字。如果你写的文档满是数字，请预留时间逐篇校对每一份改写。如果你写的是硬事实不多的文章和邮件，风险较低，收益是更自然的口吻。

继续阅读

全部文章按时间倒序排列在 Front 博客首页。

• Humanizer 12B：哪个 GGUF 适合你的内存: 同一个模型的各个 GGUF 文件各需要多少内存。
• Ling 3.1 Flash：运行它需要什么: 运行 Ling 3.1 Flash 所需的硬件。
• Grok 4.8：xAI 实际说了什么: xAI 的 Grok 4.5 到 4.7 发布，以及关于 4.8 的说法。
• Google Argon 时间线: 谷歌 Gemini 4 Argon 发布的带日期记录。

常见问题

更新记录

• 2026年10月17日 — 首次发布。

来源

• jialinyyzz/humanizer model card
• Grammarly AI Humanizer