Erkennt Turnitin LLaMA? Was in der Modellliste steht

Ja. LLaMA wird auf der Modellliste, die Turnitin veröffentlicht, ausdrücklich genannt. Der Liste zufolge kann Turnitins Modell zur Erkennung von KI-Texten bei englischsprachigen Einreichungen Inhalte einer ganzen Reihe von Modellen erkennen – neben LLaMA auch GPT, Gemini, Claude, Mistral, DeepSeek, Nova, Grok und o1-mini. Die Liste umfasst zudem „tools based on these LLMs as well," („ebenso Werkzeuge, die auf diesen LLMs basieren"). Das heißt: Auch Anwendungen und Dienste, die auf den Sprachmodellen von LLaMA aufsetzen, fallen in den angegebenen Erkennungsbereich.

LLaMA ist eine Open-Source-Modellfamilie, und das bringt eine zusätzliche Besonderheit mit sich: Es gibt viele feingetunte Varianten und Ableger, die verschiedene Organisationen auf Basis der LLaMA-Basismodelle entwickelt haben. Genau für diese Fälle ist die Klausel „tools based on these LLMs" („Werkzeuge, die auf diesen LLMs basieren") in Turnitins Formulierung gedacht; dieselbe Besonderheit offener Gewichte begegnet uns auch in Erkennt Turnitin KI-Texte von Mistral?. Ob jede feingetunte Variante mit derselben Treffsicherheit erfasst wird, ist eine andere Frage – eine, die die Liste selbst nicht beantwortet.

Turnitin veröffentlicht keine Tabelle, in der pro Modell steht, ob die Erkennung greift oder nicht. In der Dokumentation findet sich stattdessen eine einfache, durch Kommas getrennte Auflistung im Fließtext. Der einleitende Satz lautet: „Currently, Turnitin's AI writing detection model for English submissions can detect content from" („Das Modell von Turnitin zur Erkennung von KI-Texten kann bei englischsprachigen Einreichungen derzeit Inhalte erkennen, die von folgenden Modellen stammen") – und dann folgt die Liste, in der LLaMA neben anderen großen Sprachmodellen steht. Claude und Gemini stehen in derselben Zeile, und mit dem Closed-Weights-Teil davon befasst sich Erkennt Turnitin Claude, Copilot oder Gemini?. Am Ende der Liste heißt es, die Abdeckung reiche auch über die genannten Modelle hinaus auf „tools based on these LLMs as well." („ebenso Werkzeuge, die auf diesen LLMs basieren").

Die entscheidende Formulierung lautet „can detect content from." („kann Inhalte erkennen, die von ... stammen"). Diese Wortwahl sagt uns: Der Detektor ist darauf trainiert, Text aus diesen Modellen wiederzuerkennen. Eine lückenlose Erkennung verspricht sie nicht. Genauso wichtig ist der Satz direkt im Anschluss an die Liste: „We will continue to expand our detection capabilities to other models in the future." („Wir werden unsere Erkennungsfähigkeiten künftig auf weitere Modelle ausweiten.")

Für LLaMA im Besonderen gilt: Weil die Modellfamilie Open Source ist, gibt es viele nachgelagerte Werkzeuge und feingetunte Varianten. Die Klausel „tools based on these LLMs" („Werkzeuge, die auf diesen LLMs basieren") ist genau für diese Ableger gedacht und holt sie in den angegebenen Erkennungsbereich herein. Wie empfindlich diese Abdeckung ist, kann schwanken; darum geht es in den folgenden Abschnitten.

Warum die Erkennung kein schlichtes Ja oder Nein ist, versteht man am besten, wenn man sich den Mechanismus ansieht, den Turnitin beschreibt. Wird eine Arbeit eingereicht, werden die Sätze herausgelöst und in überlappende Abschnitte zerlegt, die anschließend per Vorhersageanalyse geprüft werden. Jedem Abschnitt weist das KI-Erkennungsmodell einen Wert zwischen 0 und 1 zu: Er gibt an, wie wahrscheinlich der Text von einem Menschen oder von einer KI stammt. Jeder auswertbare Satz innerhalb dieser Abschnitte übernimmt den Wert seines Abschnitts. Weil die Abschnitte sich überlappen, kann ein Satz mehrere Werte erhalten; diese werden dann zu einem einzigen Wert zusammengefasst. Aus den Werten der einzelnen Sätze wird schließlich der KI-Schreibwert des gesamten Dokuments berechnet.

Der Prozentwert, der am Ende in Ihrem Bericht steht, ist also die Zusammenfassung vieler kleiner Vorhersagen auf Satzebene. Es gibt keinen einzelnen Scan, der das ganze Dokument als KI oder als menschlich abstempelt. Jeder Satz fließt in das Ergebnis ein, und die überlappenden Abschnitte sorgen dafür, dass Grenzfälle geglättet werden.

Das Modell von Turnitin ist nicht in Stein gemeißelt. In der Dokumentation heißt es: „As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." („Da wir unser Modell in weiteren Schritten ausbauen und verbessern, um neuere LLMs besser zu erkennen, werden sich mit hoher Wahrscheinlichkeit auch unsere Erkennungsfähigkeiten verändern, was sich auf den KI-Prozentwert auswirkt. Bei einem bereits eingereichten Dokument ändert sich der KI-Prozentwert jedoch nur dann, wenn es erneut eingereicht und verarbeitet wird.")

Das hat eine sehr praktische Folge. Reichen Sie heute ein Dokument ein und erhalten einen bestimmten KI-Prozentwert, kann dieselbe Datei Wochen oder Monate später bei einer erneuten Einreichung einen anderen Wert bekommen. Das Modell wird aktualisiert, und solche Aktualisierungen können die Werte in beide Richtungen verschieben. Eine Passage, die heute menschlich wirkt, kann nach einem Update als KI-generiert gelesen werden – oder umgekehrt.

Für LLaMA-Texte heißt das: Die Erkennungsrate, die Sie heute erleben, muss nicht der entsprechen, die Sie später erleben. Die Modellliste bestätigt, dass LLaMA im Erfassungsbereich liegt; wie empfindlich diese Erkennung ist, kann sich jedoch ändern, während Turnitin sein Modell verfeinert.

Turnitin macht keinen Hehl daraus, dass der Detektor nicht alles findet. In der Dokumentation heißt es: „In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." („Um diese niedrige Rate von 1 % an falsch positiven Ergebnissen zu halten, besteht die Möglichkeit, dass uns in einem Dokument mancher KI-geschriebener Text entgeht. Damit können wir gut leben, denn wir wollen keinen von Menschen geschriebenen Text fälschlich als KI-geschrieben markieren. Wenn wir etwa feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Werkzeug stammen, könnten tatsächlich bis zu 65 % KI-Text darin enthalten sein.")

Das ist eine bewusste Abwägung. Turnitin gibt einer niedrigen Rate falsch positiver Treffer den Vorrang und nimmt dafür in Kauf, dass mancher KI-Text durchschlüpft. Ein Dokument mit 50 % KI-Anteil kann tatsächlich bis zu 65 % KI-Text enthalten. Der Detektor ist bewusst zurückhaltend: Er übersieht lieber KI-Text, als menschlichen Text fälschlich zu markieren.

Wer verstehen will, warum der Detektor so arbeitet, muss darauf schauen, was er eigentlich misst. Das Modell von Turnitin stützt sich nicht auf jene Kennzahlen, die in öffentlichen Debatten über KI-Erkennung ständig genannt werden – darum geht es in Nutzt Turnitin Perplexity und Burstiness, um KI zu erkennen?. In der Dokumentation heißt es: „Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data." („Unser Modell ist nicht ausdrücklich darauf programmiert, bestimmte Signale wie ‚burstiness', ‚perplexity' oder andere einzelne Kennzahlen zu bewerten, die in öffentlichen Diskussionen gelegentlich herangezogen werden. Stattdessen lernt es statistische Muster aus unseren Trainingsdaten.") Danach wendet das Modell das Gelernte an, um Text einzuordnen. Turnitin formuliert es so: „Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." („Unsere Klassifikatoren sind darauf trainiert, diese Unterschiede in der Wortwahrscheinlichkeit zu erkennen, und beherrschen die für menschliche Schreibende typischen Wortwahrscheinlichkeitsfolgen.")

Anders gesagt: Der Detektor achtet auf Muster der Wortwahrscheinlichkeit, nicht auf oberflächliche Merkmale wie unterschiedliche Satzlängen oder ausgefallenes Vokabular. Deshalb kann stark redigierter oder umgeschriebener KI-Text der Erkennung mitunter entgehen – und deshalb hängt die Antwort auf Erkennt Turnitin KI-Humanizer? davon ab, wie weit das Umschreiben ging. Verschieben sich die Wortwahrscheinlichkeitsfolgen bei der Bearbeitung weit genug, erkennt der Klassifikator den Text womöglich nicht mehr als KI-generiert. Für LLaMA-Varianten heißt das: Der Detektor schaut auf die statistischen Muster im Text selbst, nicht darauf, welche konkrete Variante ihn erzeugt hat.

Wenn Ihr Turnitin-Bericht Passagen als KI-generiert markiert, ist der pragmatischste Weg, nur die markierten Abschnitte zu bearbeiten, anstatt das gesamte Dokument neu zu schreiben – genau dieses Vorgehen beschreibt Nur die Absätze umschreiben, die ein Turnitin-Bericht markiert hat. Weil Turnitin auf Satzebene bewertet, können Sie die Abschnitte ausfindig machen, die den Ausschlag gegeben haben, und Ihre Überarbeitung genau dort ansetzen.

Zitate, Tabellen und Formatierung lassen Sie unangetastet. Nur die als KI markierten Passagen brauchen Aufmerksamkeit. Wenn Sie überarbeiten und erneut einreichen, denken Sie daran: Der KI-Prozentwert kann sich auch wegen Modellaktualisierungen verschieben, nicht nur wegen Ihrer Änderungen.

Passagen, die die Voraussetzungen erfüllen, können kostenlos erneut durchlaufen werden.