ilyautov/humanizer-ru v3.16.0

v3.16.0 — Формулы 2026, гейты честности и жанровый фильтр

on GitHub

v3.16.0 — Формулы 2026 и два гейта честности

Каталог вырос до 58 паттернов (13 категорий, новая M), плюс два CI-гейта,
которые проверяют не чужой текст, а наш собственный.

• Категория M «Формулы и артефакты 2026» (паттерны 55-58). Источники:
  обновления проекта Wikipedia AI Cleanup и его русского аналога за 2026 год.
  • 55. Неодушевлённый субъект действия. «Исследование подчёркивает
    важность», «Платформа обеспечивает удобство»: подлежащим становится
    предмет, а автор решения исчезает. Английские источники описывают то же
    как смену AI-словаря на emphasizing / highlighting / showcasing.
  • 56. Заголовки в Title Case. «Ранняя Жизнь и Образование»: в русском
    так не пишут, это калька интерфейса. Считается структурно, имена
    собственные и брендовые написания исключены через словарь pymorphy3.
  • 57. Обрыв на полуслове. Текст кончается посреди предложения: модель
    упёрлась в лимит токенов, а человек скопировал как есть.
  • 58. Триада-отрицание. Формула 2026 года «No X. No Y. Just Z» в русском
    изводе: «Без пафоса. Без воды. Просто факты».
• Движок. Две новые лексические категории сканера (#55, #58) и две
  структурные метрики в structure.py (#56, #57) с выводом в scan.py.
  Ложных срабатываний на человеческом корпусе ноль, regression-гейт eval
  зелёный. На нашем AI-корпусе новые маркеры пока не срабатывают: корпус
  старше этих формул, валидация ждёт свежих текстов.
• Артефакты копипасты 2026. Добавлены :::writing{variant=...} (замечен с
  июня 2026), [cite: N] и [span_N](start_span) у Gemini,
  grok_render_citation_card_json.
• Гейт честности примеров (scripts/check_examples.py). В паре «До/После»
  половина «После» не может содержать числа, даты, имени или названия, которых
  нет в исходнике: пример учит модель сильнее инструкции. Пять собственных
  примеров нарушали Факт-замок. Четыре помечены явной меткой
  После (факты автора):, один переписан.
• Self-scan витрины (scripts/self_scan.py). README, страницы сайта,
  SKILL.md и команды прогоняются через собственные 20 HARD BANS. Нашлось два
  нарушения: открывающая строка SKILL.md была построена по бану «не просто X,
  а Y», в README жило «важно понимать». Оба переписаны.
• scripts/test_gates.py. 26 проверок на то, что оба гейта ловят заведомо
  плохой материал и молчат на чистом.
• Жанровый фильтр, и он измерен. Прогон каталога по внешнему размеченному
  корпусу AINL-Eval 2025 (35 158 русских научных аннотаций, разметка human /
  gpt-4-turbo / gemma-2-27b / llama-3.3-70b) показал, что на научном тексте
  строгий режим не разделяет классы вообще: бан оставался в 35,9% человеческих
  документов против 26,1-35,8% машинных. «Является» срабатывало на 8,0%
  человеческих аннотаций и 0,1-3,0% машинных, длинное тире на 4,8% и 0-0,9%.
  Теперь scan.py --genre academic|legal|fiction снимает маркеры, законные для
  регистра, и на том же корпусе человеческие срабатывания падают до 4,2%.
  Фильтр учитывается и в score, и в вердикте по тире. Умолчание не изменилось:
  без флага режим прежний, строгий, под маркетинг и блоги.
• То же правило поднято в скилл. В таблице классификации появилась строка
  «Научный / академический», в разделе про ложные срабатывания жёсткое правило
  с цифрами вместо мягкой оговорки.
• eval/ainl_calibration.py и eval/AINL-CALIBRATION.md. Скрипт качает
  корпус во временную папку и считает ложные срабатывания по каждому маркеру.
  Машинные агрегаты ложатся в gitignored eval/out/, в репозиторий едет только
  человекочитаемый отчёт с числами. В CI не гоняется: внешний источник и
  48 МБ трафика.