该论文研究 AI 生成文本检测器在真实部署条件下的鲁棒性问题。作者指出三类部署挑战会使在域内表现良好的检测器性能下降：跨领域与跨生成器的分布漂移、输入表层（surface）的对抗性扰动，以及缺少目标域标签用于阈值校准。为此提出 DeBERTa-ConPara，一个面向部署的检测器，由具备攻击感知能力的 Unicode 预处理模块与上下文 Transformer 编码器组成，训练数据涵盖 HC3 Plus、M4、MAGE 与 RAID。核心发现是：预处理施加的位置不同，效果方向完全相反。若在训练语料上做规范化，会造成去重——35.4% 的 RAID 样本被折叠为其干净样本的副本，从而把对抗监督信号删除；而在推理阶段做规范化则是一种有效防御。作者通过独立改变两处放置的析因实验，确定“原始训练 + 规范化推理”为最佳配置，在 RAID 官方隐藏测试集上达到 99.61% AUROC、99.01% TPR@5%FPR 与 96.57% TPR@1%FPR，并在固定阈值下于 HC3 Plus 与 MAGE 上取得 93.14% 的平均平衡准确率。该增益仅集中在 12 类攻击中的两类：同形字（homoglyph）与零宽空格插入，检测率分别从 11.05% 与 1.12% 提升至 96.98%。同样的特征信号在不同架构的零样本检测器上复现，说明该效应源自攻击本身而非特定模型。论文还报告了两个负面结果：基于复述的语义不变性增强与监督对比学习（ConPara）并未改善最佳配置；手工特征融合分支在分布内无作用、在分布外有害。