国内 AIGC 检测研究不是没人做，而是集中在四个城市群——清华/南开/哈工大深圳/鹏城实验室联合发布了中文基准 C-ReD，南开的检测系统已有 1000+ 月活用户；但中文基准的引用量与国外代表作差了 600 倍，这块蓝海才刚开垦。本文按"路线 → 队伍 → 地域 → 中外对照 → 商用格局"的顺序展开，全部数据可回溯论文页。
本文不会采用印象的方式。我们打开本次采集到的20个来源，只取作者单位或者机构这一列做统计，引用量用Semantic Scholar 2026-10-04查询得到的结果来表示。
需要先说明边界：这是样本分析，不是全量普查——没有被采集到的团队不代表没有做，所有结论都限定在这 20 个来源之内。
1. 两条技术路线，先分清
市面上说的"AIGC 检测"其实是两条路：
| 路线 | 机制 | 代表 | 关键限制 |
|---|---|---|---|
| 被动检测（事后查文本） | 用统计信号或分类器判断文本是否机器生成 | GLTR、DetectGPT、Binoculars、RAID 参赛模型 | 换个领域泛化就差、误判高、改写可绕过 |
| 主动溯源（生成时埋标记） | 生成时嵌入水印或元数据，事后检出 | UMD 的 LLM 水印、C2PA 内容凭证、Claude 水印 | 需要模型方配合；改写和翻译会削弱 |
学生真正会遇到的商用检测（知网、维普、格子达、朱雀）绝大多数是被动检测，它们共同的天花板就是对抗性改写永远比检测算法快半步。
2. 国内做 AIGC 检测的三类队伍
把样本里的机构按"做的是什么"分，其实只有三类：
做中文基准和评测的。代表为清华、南开、哈工大（深圳）、鹏城实验室合作的C-ReD（ACL 2026 Findings），它要解决的是“英文基准不能直接迁移中文”的问题——M4GT-Bench、RAID都是英文或多语场景。同一条线还有C-HAT-Bench（针对非全文生成的中文场景）和EMNLP 2025的中文现代诗检测基准。（来源：arXiv 2604.11796、ACL 2026.findings-acl.2119、2025.findings-emnlp.507）
第二类就是把检测做成系统、真正给人用的。南开大学Media Computing Lab将检测能力接入Paper-Mate，论文被收录到ACM Multimedia 2025中，在北大、浙大、中山等高校师生中有1000+月活。产业侧同为腾讯朱雀（腾讯混元安全团队）、知网、维普这些商用检测。（来源：China Daily 2025-08-21；腾讯云技术帖，非官方）
第三类是从内容安全、深度伪造入手的。将 AIGC 检测作为内容治理的一个环节，与人脸伪造、虚假信息等一起进行——样本中有浙江大学团队在这个方向的工作。
3. 机构清单（样本内，可核实）
| 机构 | 城市 | 代表学者/团队 | 代表工作 | 来源 |
|---|---|---|---|---|
| 清华大学（论文标注单位含鹏城实验室） | 北京（合作方在深圳） | 夏树涛、吴昊等 | C-ReD（ACL 2026 Findings） | arXiv 2604.11796 |
| 南开大学（计算机学院 Media Computing Lab） | 天津 | 郭春乐、李重仪；成员 Fu Jiachen | 检测系统入选 ACM MM 2025；集成 Paper-Mate（1000+ MAU） | China Daily 2025-08-21 |
| 哈尔滨工业大学（深圳） | 深圳 | Bin Chen 等（通讯） | C-ReD 合作 | arXiv 2604.11796 |
| 鹏城实验室 | 深圳 | 与清华团队合作 | C-ReD 合作 | arXiv 2604.11796 |
| 澳门大学 + 香港中文大学 | 澳门 / 香港 | Lidia S. Chao、Derek F. Wong、Junchao Wu 等 | CL 2025 检测综述；EMNLP 2025 中文现代诗基准 | ACL 2025.cl-1.8；2025.findings-emnlp.507 |
| 腾讯（混元安全团队） | 深圳 | — | 朱雀 AI 检测（商用） | 腾讯云技术帖（非官方） |
| 知网 / 维普 / 格子达 | 北京 / 重庆 等 | — | 商用 AIGC 检测 | 各系统官网 |
| 浙江大学 | 杭州 | 纪守领、李旭嵘等 | 内容安全/深度伪造方向 | — |
| 中国科学院大学 | 北京 | 汪旦丁、任昱冰等 | — | UCAS 主页 |
4. 地域分布：样本集中在四个区域
京津冀：清华（北京）、南开（天津）——这是"基准 + 落地"最集中的一块。
粤港澳大湾区：哈工大（深圳）、鹏城实验室、腾讯（都在深圳），以及清华与鹏城实验室的合作——样本里与深圳相关的单位出现次数最多。
长三角：浙江大学、西湖大学（杭州）——更多从内容安全和生成模型侧切入。
港澳：澳门大学和香港中文大学联合发表了中文检测综述和中文现代诗基准。
（辅助样本：商用检测机构分布在北京市、重庆市等地。）
5. 为什么是这几个地方
样本可以间接支持以下三点：
1.团队是组团出题的。C-ReD一篇论文中同时挂了清华、南开、哈工大深圳、鹏城实验室——中文基准这样活，靠一个组做不完，需要跨校跨机构凑语料和评测。
2.产业与数据在同一个区域内。深圳既有高校研究院，又有腾讯这样的模型方，检测要拿到“新模型的输出”做对抗测试，离得近是优势。
3.标准和治理在北京。TC260的人工智能生成合成内容标识实践指南等标准文件由北京的机构发布，规则话语权同高校研究处于同一城市群。
6. 一个被忽略的事实：地域边界正在消失
C-ReD 的作者单位跨了北京、天津、深圳三地；CL 2025 那篇综述跨了澳门和香港。"哪个学校的成果"这句话，在 AIGC 检测这个方向上越来越难回答——它更像"哪个跨机构团队在持续出题"。
7. 和国外比：600 倍引用量差距的另一面
把 Semantic Scholar 的引用量（查询日 2026-10-04）摆出来对比：
| 论文 | 团队 | 会议 | 引用数 | 高影响引用 |
|---|---|---|---|---|
| DetectGPT | 斯坦福 | ICML 2023 | 1261 | 218 |
| A Watermark for LLMs | UMD | ICML 2023 | 1071 | 244 |
| GLTR | 哈佛 / MIT-IBM | ACL 2019 | 931 | 138 |
| Binoculars | UMD | ICML 2024 | 387 | 91 |
| Fast-DetectGPT | 西湖 / 浙大等 | ICLR 2024 | 428 | 121 |
| RAID | UPenn | ACL 2024 | 225 | 44 |
| C-ReD（中文基准） | 清华/南开/哈工大深圳 | ACL 2026 | 2 | 0 |
就引用量而言，国内外相差两个数量级，但是这个对比要拆开来读。国外强在单点定义方向上，UMD一个组就产生了水印、Binoculars、可检测性下界、改写防御四篇，每一篇都开一个子领域；斯坦福的DetectGPT一篇定了“零样本检测”这个题。
国内目前的强是中文场景和落地：C-ReD 补的是英文基准不能迁移的中文语料空白，南开 Paper-Mate 有可验证的 1000+ 月活用户。C-ReD 引用只有 2 不丢人——它 2026 年才发布，恰好说明中文检测基准仍是蓝海，谁先把中文基准做厚、被同行引用，谁就占住这个方向的第一批位置。
同一项研究还有一个容易被忽略的数字：截至研究发表，98.4% 的涉事论文既未撤稿也未更正——虚假引用的清洗速度远追不上产生速度。
8. 学生真正会遇到的是商用系统
学术论文中算法离学生还很远，学生真正会遇到的商用检测是知网、维普、格子达、腾讯朱雀。腾讯混元安全团队的朱雀据技术社区分析用了140万份正负样本训练，按文本七个维度打分（非官方口径，仅供参考）——但是无论哪家，判定的底层都是上面说的被动检测路线。共享同一天花板：误判（自己写的被判AI）和被改写绕过。两个问题都存在。
这也回答了另一个问题，同一篇稿件在知网、维普、格子达检测出来的数字会相差10%-30%，这是由于不同的商用系统训练的数据和判定阈值不同造成的，数字不能互相换算，只能以学校指定的那一家为准。
9. 怎样判断一个团队是否值得关注
不看名头：
- 有没有出基准或者数据集（别人能不能用你的题去测）；
- 有没有落地系统和真实用户（Paper-Mate 给出了"1000+月活"这种可验证的数）；
- 引用量是不是在涨（新论文引用低是正常的，关键看半年后的斜率）。
最后
本文统计的 20 个来源里没有覆盖复旦、上海交大、中科院自动化所等团队——没采到可核实材料就不写进结论。机构顺序不代表排名，也不评价任何个人学术水平；后续补到原文会再修订。
「PCPASS（pcpass123.com），站内提供论文查重与 AIGC 检测自测——每天一次免费额度，按学校指定口径提前定位红段」
