카탈로그 문구 확인
리스팅 문구용 AI 상품 설명 감지기
마켓플레이스 등록글, 제품 페이지 또는 카탈로그 필드를 이 AI 제품 설명 감지기에 붙여 넣으세요. Slop or Not은 영어 문구에서 LLM 출력과 관련된 언어 패턴을 확인한 뒤 검토용 확률을 반환합니다. 온라인에서는 붙여 넣은 텍스트가 먼저 Numen 서버로 전송되어 메모리에서만 실행되고 아무것도 저장하지 않는 숨은 문자 검사를 거칩니다. 별도의 AI 검사는 Numen의 비공개 Mac 서버에서 실행됩니다. iPhone, iPad, Mac 앱은 두 검사를 모두 기기에서 실행합니다.
저희가 아닌 공개 벤치마크 RAID 기준으로, 오탐률 5%에서 AI 텍스트의 99.5%를 잡아냅니다.
문단 하나든 논문 전체든 붙여넣으세요. iPhone 및 Mac 앱에는 단어 제한도 월간 단어 예산도 없습니다.
- 영어 텍스트 붙여넣기최대 20,000자의 학교 에세이, 제품 리뷰, 캡션, 기사, 소셜 게시물.
- 결과확률 판정, AI 점수, 가독성 분석을 제공합니다.
- 개인정보 보호Numen의 비공개 Mac 서버에서 검사하며, 외부 AI 회사에 전달하지 않습니다. 텍스트를 기기 안에만 유지하려면 앱을 사용하세요.
확인 항목
AI 상품 설명 감지기는 리스팅 문구를 어떻게 읽나요?
상품 사양과 연결되지 않은 일반적인 장점
특징과 판매 포인트 전반에서 반복되는 문장 구조
자연스럽게 연결되지 않는 사실 주변의 매끄러운 설명식 표현
좋은 활용 사례
- 마켓플레이스 리스팅을 게시하기 전에 판매자 문구 확인하기
- 공개 고지나 편집 검토가 필요한 카탈로그 항목 분류하기
- 상품 주장과 사양 및 원본 자료 비교하기
알아둘 한계
- 사양 목록은 명사와 측정값을 반복해 생성된 문구처럼 보일 수 있음
- 브랜드 템플릿과 SEO 공식은 사람이 쓴 리스팅도 의도적으로 표준화함
- 번역문과 매우 짧은 설명은 신뢰할 만한 언어적 증거가 적음
FAQ
AI 상품 설명 감지기 질문
이 결과로 판매자가 AI를 사용했다는 것이 증명되나요?
아니요. 결과는 판매자의 작업 방식이 아니라 영어 문구를 설명합니다. 사람도 정형적인 문구를 쓸 수 있고, AI 지원 텍스트도 많이 편집될 수 있습니다. 결론을 내리기 전에 리스팅 기록과 원본 자료를 검토하세요.
상품 사양이 왜 AI가 쓴 것처럼 보일 수 있나요?
사양은 모델명, 측정값, 속성 라벨을 반복합니다. 그런 규칙적인 구조는 텍스트 감지기가 평가할 자연스러운 문장을 줄이고 불확실성을 높일 수 있습니다.
번역된 리스팅이나 매우 짧은 리스팅도 확인할 수 있나요?
텍스트 감지기는 영어를 지원합니다. 기계 번역과 짧은 카탈로그 필드는 감지기가 읽는 글쓰기 패턴을 왜곡할 수 있으므로, 가능한 경우 더 긴 원문 영어 문구를 사용하세요.
온라인에서 리스팅 텍스트는 어떻게 되나요?
붙여 넣은 텍스트는 먼저 Numen 서버로 전송되어 메모리에서만 실행되고 아무것도 저장하지 않는 숨은 문자 검사를 거칩니다. 별도의 AI 검사는 Numen의 비공개 Mac 서버에서 실행됩니다. iPhone, iPad, Mac 앱은 두 검사를 모두 기기에서 실행합니다.
다음 검사를 iPhone 또는 Mac에서 실행하세요
Slop or Not 앱은 이미지와 텍스트를 온디바이스에서 검사하므로, 검사한 내용이 기기 밖으로 나가지 않습니다.
Numen의 다른 앱
기기에서 실행되는 앱 3개를 더 만나보세요. 어떤 앱도 계정이 필요 없습니다.
Private LLM
iPhone, iPad, Mac에서 오프라인으로 실행되는, 검열 없는 오픈소스 모델용 로컬 AI 챗봇입니다. Private LLM은 모델별로 조정한 OmniQuant 및 GPTQ 양자화를 사용하므로, 3비트 모델이 다른 앱에서 제공하는 4비트 모델과 맞먹습니다.
Clean Links
요즘 대부분의 추적은 링크 리디렉션 뒤에 숨어 있습니다. Clean Links는 iPhone, iPad, Mac, 웹에서 공유하기 전에 짧은 링크를 풀고 URL의 모든 추적 파라미터를 제거합니다.
Private Diffusion
최신 프런티어 이미지 모델을 iPhone, iPad, Mac에서 실행하세요. Private Diffusion은 양자화 인식 증류(QAD)로 각 모델을 학습시켜, 작은 모델도 전체 크기 모델의 품질을 유지합니다.