¿Detecta Turnitin los textos de LLaMA? Esto es lo que dice la lista de modelos

Sí. LLaMA figura de forma explícita en la lista de modelos que publica Turnitin. En ella se indica que el modelo de detección de escritura con IA de Turnitin para envíos en inglés puede detectar contenido de un conjunto de modelos que incluye LLaMA, junto con GPT, Gemini, Claude, Mistral, DeepSeek, Nova, Grok y o1-mini. La lista cubre también "tools based on these LLMs as well," (las herramientas basadas en estos LLM), lo que significa que las aplicaciones y los servicios construidos sobre los modelos de lenguaje de LLaMA entran dentro del alcance de detección que se indica.

LLaMA es una familia de modelos de código abierto, y eso añade una complicación: existen muchas variantes ajustadas y derivadas, creadas por distintas organizaciones a partir de los modelos LLaMA base. La cláusula de "tools based on these LLMs" (herramientas basadas en estos LLM) en la redacción de Turnitin está pensada justo para cubrir estos casos; la misma complicación de los pesos abiertos aparece en ¿detecta Turnitin los textos de Mistral AI?. Que todas las variantes ajustadas se detecten con la misma precisión ya es otra pregunta, y la propia lista no la responde.

Turnitin no publica una tabla de modelos con resultados de detección del tipo detectado o no detectado: lo que ofrece es una lista en línea, separada por comas, dentro de su documentación. La frase introductoria dice: "Currently, Turnitin's AI writing detection model for English submissions can detect content from" (actualmente, el modelo de detección de escritura con IA de Turnitin para envíos en inglés puede detectar contenido de), seguida de una lista en la que aparece LLaMA junto a otros modelos de lenguaje importantes. Claude y Gemini figuran en esa misma línea, y ¿detecta Turnitin Claude, Copilot o Gemini? se ocupa de la mitad de la lista correspondiente a los modelos de pesos cerrados. La lista cierra señalando que la cobertura se extiende a "tools based on these LLMs as well." (las herramientas basadas en estos LLM también).

La expresión clave aquí es "can detect content from." (puede detectar contenido de). Esa redacción nos dice que el detector está entrenado para reconocer el texto generado por estos modelos; no promete una detección perfecta. La frase que va justo después de la lista es igual de importante: "We will continue to expand our detection capabilities to other models in the future." (seguiremos ampliando en el futuro nuestras capacidades de detección a otros modelos).

En el caso concreto de LLaMA, su carácter de código abierto implica que existen muchas herramientas derivadas y variantes ajustadas. La cláusula de "tools based on these LLMs" (herramientas basadas en estos LLM) está pensada para cubrir esos derivados e incluirlos en el alcance de detección indicado. La sensibilidad de esa cobertura puede variar, y lo tratamos en las secciones siguientes.

Para entender por qué la detección no es un sí o un no rotundo, conviene mirar el mecanismo que describe Turnitin. Cuando se envía un trabajo, las frases se extraen y se dividen en secciones superpuestas para someterlas a un análisis de predicción. Cada sección la clasifica el modelo de detección de IA y recibe un valor entre 0 y 1, que expresa la probabilidad de que el texto sea humano o generado por IA. Cada frase válida dentro de esas secciones hereda la puntuación de su sección. Como las secciones se solapan, algunas frases pueden tener varias puntuaciones, que después se combinan en una sola. Esas puntuaciones por frase se agregan a su vez y sirven para calcular la puntuación global de escritura con IA del documento.

Es decir, el porcentaje final de tu informe es la suma de muchas predicciones pequeñas, hechas frase por frase. No es un único análisis que selle todo el documento como IA o como humano. Cada frase aporta al total, y la superposición de secciones ayuda a suavizar los casos dudosos.

El modelo de Turnitin no es estático. Según la documentación, "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." (a medida que sigamos iterando y desarrollando nuestro modelo para detectar mejor los LLM más recientes, es probable que nuestras capacidades de detección también cambien, lo que afectará al porcentaje de IA. Sin embargo, tratándose de un documento ya enviado, el porcentaje de IA solo cambiará si se vuelve a enviar para que se procese).

Esto tiene una consecuencia práctica: si envías un documento hoy y recibes un determinado porcentaje de IA, ese mismo documento podría recibir un porcentaje distinto si lo volvieras a enviar semanas o meses después. El modelo se actualiza, y esas actualizaciones pueden mover las puntuaciones en cualquier dirección. Un pasaje que hoy parece humano podría leerse como generado por IA después de una actualización, o al revés.

Para el texto de LLaMA, esto significa que la tasa de detección que ves ahora puede no coincidir con la que veas más adelante. La lista de modelos confirma que LLaMA está dentro del alcance, pero la sensibilidad de esa detección puede variar a medida que Turnitin ajuste su modelo.

Turnitin reconoce abiertamente que su detector no lo detecta todo. La documentación lo dice así: "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." (para mantener esta baja tasa de falsos positivos del 1%, existe la posibilidad de que pasemos por alto parte del texto escrito con IA en un documento. Estamos tranquilos con ello, porque no queremos señalar por error como escrito con IA un texto escrito por una persona. Por ejemplo, si identificamos que el 50% de un documento probablemente fue escrito con una herramienta de IA, podría contener hasta un 65% de escritura con IA).

Es una decisión deliberada. Turnitin prioriza una tasa baja de falsos positivos, lo que implica aceptar que una parte del texto de IA se le escape. Un documento que marca 50% de IA podría contener en realidad hasta un 65% de contenido de IA. El detector peca de prudente: prefiere dejar pasar texto de IA antes que señalar por error texto humano.

Para entender por qué el detector funciona así hay que ver qué mide en realidad. El modelo de Turnitin no se apoya en las métricas de las que se suele hablar en las conversaciones públicas sobre detección de IA, que es justo el tema de ¿usa Turnitin la perplejidad (perplexity) y la ráfaga (burstiness) para detectar IA?. La documentación lo explica: "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." (nuestro modelo no está programado explícitamente para evaluar señales concretas como la «burstiness», la «perplexity» u otras métricas individuales que a veces se mencionan en los debates públicos; en su lugar, aprende patrones estadísticos a partir de nuestros datos de entrenamiento). Después, el modelo aplica lo aprendido para clasificar el texto. En palabras de Turnitin: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (nuestros clasificadores están entrenados para detectar esas diferencias en la probabilidad de las palabras y conocen bien las secuencias concretas de probabilidad de palabras propias de quienes escriben como humanos).

En otras palabras: el detector observa los patrones de probabilidad de las palabras, no señales superficiales como la variación en la longitud de las frases o lo poco común del vocabulario. Por eso un texto de IA muy editado o reescrito a veces puede eludir la detección, y por eso en ¿detecta Turnitin los humanizadores de IA? la cosa gira en torno a hasta dónde llegó la reescritura. Si las secuencias de probabilidad de las palabras cambian lo suficiente durante la edición, puede que el clasificador deje de reconocer el texto como generado por IA. Para las variantes de LLaMA, esto significa que el detector mira los patrones estadísticos del propio texto, no qué variante concreta lo produjo.

Si tu informe de Turnitin marca pasajes como generados por IA, lo más práctico es trabajar solo en las secciones marcadas en lugar de reescribir el documento entero, que es el planteamiento de reescribir únicamente los párrafos que marcó un informe de Turnitin. Que Turnitin puntúe por frases te permite localizar los segmentos concretos que dispararon la detección y concentrar ahí tu revisión.

Deja intactos tus citas, tablas y formato: solo necesitan atención los pasajes marcados como IA. Si revisas el texto y lo vuelves a enviar, recuerda que el porcentaje de IA puede moverse por las actualizaciones del modelo, no solo por tus cambios.

Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.