arXiv:2605.25281v2 Announce Type: replace 
Abstract: Recent advances in large language models (LLMs) have made it increasingly difficult to distinguish human-written text from AI-generated content. Many existing detectors train supervised neural classifiers that achieve strong in-distribution performance but are often opaque and can degrade substantially under distribution shift. We present READER, a reasoning-enhanced AI text detector that outputs both a human/AI label and a structured rationale describing the evidence for its decision. A key component of our approach is READ, a curated supervision set of rationales and verdicts. We fine-tune an LLM on READ to build READER, which reasons before detecting at inference time. Despite having only 1.5B parameters, READER consistently outperforms existing detectors as well as prompted, high-capacity LLM baselines (GPT-5.2, Gemini-3-Pro, and DeepSeek-V3.2), which are 100 to 1000 times larger in scale.

أدت التطورات الأخيرة في الذكاء الاصطناعي إلى تطوير READER، وهو كاشف نصوص معزز بالتفكير يميز بين النصوص المكتوبة بواسطة البشر والمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي. يستخدم هذا النموذج مجموعة إشرافية تُدعى READ، مما يمكّنه من تقديم كل من تصنيف وسبب منظم لقراراته. يُظهر READER أداءً متفوقًا مقارنةً بالكاشفات الحالية ونماذج أكبر مثل GPT-5.2 وGemini-3-Pro، على الرغم من أن عدد المعلمات لديه أقل.

Los recientes avances en IA han llevado al desarrollo de READER, un detector de texto mejorado por razonamiento que distingue entre texto escrito por humanos y contenido generado por IA. Este modelo utiliza un conjunto de supervisión llamado READ, lo que le permite proporcionar tanto una etiqueta de clasificación como un razonamiento estructurado para sus decisiones. READER demuestra un rendimiento superior en comparación con los detectores existentes y modelos más grandes como GPT-5.2 y Gemini-3-Pro, a pesar de tener menos parámetros.

Des avancées récentes en IA ont conduit au développement de READER, un détecteur de texte amélioré par le raisonnement qui distingue le texte écrit par des humains de celui généré par l'IA. Ce modèle utilise un ensemble de supervision appelé READ, lui permettant de fournir à la fois une étiquette de classification et un raisonnement structuré pour ses décisions. READER montre des performances supérieures par rapport aux détecteurs existants et à des modèles plus grands comme GPT-5.2 et Gemini-3-Pro, malgré un nombre de paramètres inférieur.

Recent advancements in AI have led to the development of READER, a reasoning-enhanced AI text detector that distinguishes between human-written and AI-generated text. This model utilizes a curated supervision set called READ, enabling it to provide both a classification label and a structured rationale for its decisions. READER demonstrates superior performance compared to existing detectors and larger models like GPT-5.2 and Gemini-3-Pro, despite having fewer parameters.