机构说错一半。七位作者是 Jenna Russell、Ben Glickenhaus、Katherine Thai、John Wieting、Mohit Iyyer（UMass）加 Max Spero、Bradley Emi（Pangram Labs），一作邮箱 jennarus@umd.edu，脚注写明"工作是在 Pangram Labs 实习期间完成的"。【直引】没有 Google DeepMind。这处不是小事：给"网页里有多少 AI 文本"定标尺的那家公司，就是卖这把尺子的公司。
- 27.5%、31.1%、两年前 10.1% 全对；800 个模型、19.9M 到 973M 也全对。这些帖子写得准，值得先说一句。
- 全篇最有工程含义的一个数被漏了。论文算出：在 2026 年 8 月的 AI 占比（31.1%）下，直接拿未过滤网页训练，要花 1.6 倍算力才能追上"只训其中人类子集、20 tokens/param"的效果。而这个倍数会随预测往上爬——2027 年底按 42% 算是 2.1 倍，2028 年底按 51% 算是 3.0 倍。【直引】帖子"2026 到 2032 趋势"那节是空的，就差这一组数。
- 第二个漏掉的数更适合劝人改报表：在 22.3% AI 占比（论文自己的 2026 评估 crawl）下，混合验证集掩盖了 95.5% 的有害运行。【直引】这是"分开报 loss"最硬的支撑——不是更严谨，是不分开你就看不见。
- 新 scaling law 的外推能力也该写进去：只拿小模型拟合，能预测到 3.6 倍大的模型，误差比现有最好的定律低 41%。它的结构是"收益项 + 损害项"两项相加，AI token 的价值可以变号，而在没有 AI 文本时能退化回 Chinchilla。【直引】最后这条挺优雅——新定律不是推翻旧定律，是把旧定律当成自己在一个参数取零时的特例。
- 释放物要补两句。WildAI 是 83B token 的语料，带 AI、主题、格式三类标签，同时放出全部 800 个模型和代码。许可 CC BY-NC-SA 4.0，非商用。【直引】帖子没提许可，而这条直接决定能不能拿它去训商业模型。
- 一处口径值得夸：帖子写"27.5% 的 token 被 Pangram 标记为 AI 生成"时，准确保留了"通过 FineWeb 质量过滤之后"这个条件。但它的另一半更重要——正因为过滤发生在统计之前，帖子引的"AI 文本更容易通过质量过滤"才会形成正反馈。过滤器在提纯 AI 文本，而提纯后的样本又被拿来估计占比，分母自己在动。【推论】