Praveen Kumar Myakala и соавторы выложили на arXiv SynthSentry — метод проверки корпусов на синтетическую контаминацию до обучения. Три статистики вместо доступа к модели: коллапс лексического разнообразия, усечение хвоста n-грамм и дисперсия перплексии по референсным моделям. Наивный квантильный порог даёт в 4 раза больше ложных срабатываний, чем нужно. Как устроен: • Модельно-независимый: не нужен доступ к порождающей модели • Не требует истории генерации или синтетических меток • Три статистики ловят разные следы синтетики • Работает с корпусами неизвестного происхождения Главное: • 11 страниц, 3 рисунка • Представлена на IEEE Asia Conference 2026 Всё замерено в малом масштабе и только на английском; рекурсивно сгенерированные данные не тестировали, а тонкая настройка не показала дефицит точности от контаминации в текущих масштабах. Что это значит: метод, который можно прикрутить к пайплайну до обучения — не post hoc диагностика коллапса, а превентивный скрининг.