O Turnitin detecta o GPT-5 e outros modelos de IA novos?

As perguntas frequentes do Turnitin publicam uma lista de modelos de escrita por IA dos quais é possível detectar conteúdo. A lista inclui, entre outros, os modelos GPT, Gemini, Claude, LLaMA, Mistral, Deepseek, Nova, Grok e o1-mini. O verbo oficial é «can detect content from.» (consegue detectar conteúdo desses modelos). A lista termina assim: «and tools based on these LLMs as well.» (e também as ferramentas baseadas nesses LLMs). As perguntas frequentes também afirmam: «We will continue to expand our detection capabilities to other models in the future.» (Continuaremos a expandir a nossa capacidade de detecção para outros modelos no futuro.) Elas reconhecem que essa capacidade não é estática: «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.» (À medida que aperfeiçoamos o nosso modelo para detectar melhor os LLMs mais novos, é provável que a nossa capacidade de detecção também mude, afetando o percentual de IA.) O fato de um modelo específico como o GPT-5 aparecer na lista depende de quando as perguntas frequentes foram atualizadas pela última vez. Elas não prometem cobertura em tempo real de cada novo modelo lançado, mas prometem continuar ampliando.

As perguntas frequentes trazem uma lista de modelos dos quais é possível detectar conteúdo. A frase de abertura usa o verbo «can detect content from.» (consegue detectar conteúdo), seguido por uma lista de modelos separados por vírgulas. A lista inclui GPT, Gemini, variantes do Claude, LLaMA, Mistral, Deepseek, Nova, Grok e o1-mini. Ela termina assim:

«and tools based on these LLMs as well.» (e também as ferramentas baseadas nesses LLMs).

A frase seguinte: «We will continue to expand our detection capabilities to other models in the future.» (Continuaremos a expandir a nossa capacidade de detecção para outros modelos no futuro.)

Isso significa que a lista não é exaustiva. Ferramentas construídas sobre os modelos listados também são apontadas como detectáveis. A promessa de ampliar significa que novos modelos podem ser acrescentados à medida que o modelo de detecção é atualizado. O Turnitin detecta Claude, Copilot ou Gemini? examina uma a uma as entradas nomeadas nessa lista.

As perguntas frequentes reconhecem explicitamente que a detecção não é um alvo fixo:

«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.» (À medida que aperfeiçoamos o nosso modelo para detectar melhor os LLMs mais novos, é provável que a nossa capacidade de detecção também mude, afetando o percentual de IA.)

A frase seguinte: «However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed.» (No entanto, para um documento já enviado, o percentual de IA só mudará se ele for enviado novamente para ser processado.)

Disso resultam duas coisas. Primeiro: o modelo de detecção é atualizado para mirar os LLMs mais novos. Segundo: documentos já avaliados não são reavaliados automaticamente quando o modelo muda. Se o seu trabalho foi avaliado antes de uma atualização do modelo, a pontuação reflete a capacidade de detecção daquele momento, não a atual — e é por isso que ainda sinalizado depois de uma nova verificação do Turnitin defende comparar relatórios em vez de comparar pontuações.

O modelo de detecção processa o texto dividindo-o em segmentos sobrepostos e atribuindo pontuações de probabilidade:

«When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated.» (Quando um trabalho é enviado ao Turnitin, as frases do envio são extraídas e divididas em seções sobrepostas para a análise de predição. Cada seção é classificada pelo modelo de detecção de IA e recebe um valor entre 0 e 1, que indica a probabilidade de o texto ser humano ou gerado por IA.)

O modelo não se apoia em métricas superficiais como burstiness ou perplexity. As perguntas frequentes afirmam: «Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions.» (O nosso modelo não é programado explicitamente para avaliar sinais específicos como burstiness ou perplexity, nem outras métricas individuais às vezes citadas em discussões públicas.) A frase seguinte: «Instead, it learns statistical patterns from our training data.» (Em vez disso, ele aprende padrões estatísticos a partir dos nossos dados de treinamento.)

As mesmas perguntas frequentes dizem ainda: «Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers.» (Os nossos classificadores são treinados para detectar essas diferenças na probabilidade das palavras e conhecem bem as sequências de probabilidade típicas de quem escreve.) Ou seja: embora o modelo não calcule burstiness ou perplexity como métricas nomeadas, ele classifica o texto com base em padrões de probabilidade das palavras aprendidos nos dados de treinamento.

As perguntas frequentes reconhecem um equilíbrio entre falsos positivos e falsos negativos:

«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.» (Para manter essa baixa taxa de falsos positivos, de 1%, há a possibilidade de deixarmos passar um pouco de texto escrito por IA em um documento.)

As perguntas frequentes detalham: «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.» (Por exemplo, se identificamos que 50% de um documento provavelmente foram escritos por uma ferramenta de IA, ele pode conter até 65% de escrita por IA.)

Isso significa que o detector é ajustado para evitar falsos positivos, mesmo ao custo de deixar passar parte do texto de IA. Um modelo novo que produza texto mais próximo dos padrões de probabilidade das palavras humanos seria mais difícil de detectar, ao menos até o modelo de detecção ser atualizado para cobri-lo. A promessa das perguntas frequentes de «continue to expand our detection capabilities» (continuar expandindo a nossa capacidade de detecção) é o contrapeso, mas existe um atraso inerente entre o lançamento de um modelo novo e a sua cobertura pela detecção. A mesma questão do atraso aparece com as ferramentas de reescrita: o Turnitin detecta humanizadores de IA?

Para resumir o que vimos:

• O Turnitin publica uma lista de modelos de escrita por IA dos quais pode detectar conteúdo, incluindo GPT, Gemini, Claude e outros.
• O verbo oficial é «can detect content from.» (consegue detectar conteúdo) e a lista inclui também as ferramentas baseadas nesses LLMs.
• As perguntas frequentes prometem ampliar a detecção para outros modelos no futuro.
• A capacidade de detecção muda com o tempo, à medida que o modelo é atualizado para mirar os LLMs mais novos.
• Documentos já avaliados não são reavaliados automaticamente quando o modelo muda.
• O detector aceita deixar passar parte do texto de IA para manter baixa a taxa de falsos positivos.

Se você recebeu um relatório de IA do Turnitin e quer cuidar das passagens sinalizadas, importe o relatório e trabalhe nelas. As passagens elegíveis podem ser processadas novamente sem custo.