Faut-il créer votre propre Pangram ?
Un classificateur qui évalue si un texte a été écrit par un modèle AI.
L’interface se résume à une zone de texte et un pourcentage, exactement le genre de chose qui vous donne à tort l’impression d’un projet réalisable en un week-end. Le produit n’est pas la zone de texte : c’est un classificateur entraîné sur un très vaste corpus, constamment renouvelé, de textes humains associés aux sorties de chaque nouvelle version de modèle, réglé avec soin pour limiter les faux positifs, car accuser une personne réelle de tricher est le type d’échec qui peut faire disparaître l’entreprise. Vous pouvez tout à fait construire un détecteur local fondé sur des mesures de perplexité et de variabilité en un après-midi, et il se trompera avec assurance assez souvent pour être inutile dans toute décision importante. Personne d’autre que vous n’acceptera votre score maison, et son calibrage dérive chaque fois qu’un nouveau modèle de pointe sort. Construisez-le pour comprendre le problème, pas pour vous y fier.
EN → FRAnalyse traduite automatiquement de l’anglais. Prompt original conservé en anglais.
Build a local AI-text-detection playground so I can see how weak naive detection actually is. No cloud calls, no accounts, no telemetry.
Stack, no substitutions: Python 3.11, FastAPI + uvicorn, transformers + torch, a single server-rendered HTML page with vanilla JS. No build step, no database, no Docker.
Core loop:
1. One page with a large textarea and an Analyze button.
2. POST /analyze takes the text and returns a JSON report.
3. Scoring runs entirely locally with gpt2 (small) loaded once at startup via transformers. Download on first run and cache it.
Features to compute per submission:
- Mean token log-probability and perplexity under gpt2.
- Burstiness: standard deviation of per-sentence mean log-probability.
- Rank-based signal: fraction of tokens that were in the model's top-10 predictions.
- Style stats: sentence length mean and variance, type-token ratio, punctuation counts, count of common LLM filler phrases from a hardcoded list.
Output: a 0-100 score from a simple weighted formula over those features with the weights in a single WEIGHTS dict at the top of the file, per-sentence heat colouring in the page, and a full feature table so I can see what drove the score.
Calibration, and be honest about it:
- Add a CLI command: python calibrate.py --human dir --ai dir that runs the features over two folders of .txt files, prints mean and spread per class, and prints the ROC AUC of the current weights.
- The web page must show a fixed banner: this is an uncalibrated heuristic, not evidence, false positives are common.
Explicitly out of scope: user accounts, saved history, PDF or DOCX parsing, any hosted API, model fine-tuning, mixed-authorship segmentation, batch uploads.
Deliver: main.py, calibrate.py, features.py, templates/index.html, requirements.txt, and a README with run instructions and one paragraph stating plainly why this cannot match a trained commercial detector. No .env needed since there are no secrets; say so in the README.Le prompt s’ouvre prérempli dans votre agent. Relisez-le avant de l’exécuter. · ce prompt est généré à partir du plan de construction · améliorez-le via une PR
Comment créer votre propre version ?
Collez du texte, évaluez-le localement avec les logarithmes des probabilités des tokens d’un petit modèle de langage et quelques statistiques de style, puis obtenez une estimation approximative humain-ou-machine accompagnée d’un avertissement très visible sur sa précision.
Ce dont vous aurez besoin
- Python en local avec torch et transformers
- Quelques GB de disque pour les poids d’un petit modèle ; un CPU convient, mais reste lent
- Vos propres échantillons étiquetés de textes humains et AI si vous voulez avoir une idée de la précision
Parce que le chiffre doit être défendable devant quelqu’un d’autre. Les institutions et les éditeurs n’achètent pas un classificateur, mais un tiers prêt à répondre d’un taux de faux positifs, avec un réentraînement continu face au modèle sorti le mois dernier. Un détecteur heuristique local vous donne un pourcentage à l’allure plausible sans marge d’erreur, ce qui est pire que rien quand le résultat mène à une accusation.
xCalibrage : un véritable taux de faux positifs que vous pouvez citer, au lieu d’une impression
xCouverture des nouveaux modèles, qui évolue toutes les quelques semaines, que vous mettiez votre outil à jour ou non
xDétection à l’échelle de la phrase et des textes à auteurs mixtes, plutôt qu’un score global grossier
xToute crédibilité extérieure, puisqu’un score maison ne convainc exactement aucun enseignant, éditeur ou client
xDébit de traitement, téléversements par lots, accès API et analyse de documents
Rien qui mérite d’être cité. C’est pour cela que le prompt existe.
Combien coûte Pangram ?
- Facturation mensuelle
- 20 $US/mois20 $US/mois
- Par an
- 240 $US/an240 $US/an
- Avec une carte brésilienne, IOF de 3,5% inclus
- 105 R$/mois1 254 R$/an
Enregistré dans Ma liste. Un avis s’affichera ici si le prix change.
Vous finalisez l’achat sur le site de Pangram. Vibe Radar ne gère aucun paiement.
Construire ou s’abonner à Pangram ?
Ajustez les chiffres : heures de développement, taux horaire, coûts d’exploitation et prix de l’abonnement.
Sur 24 mois, l’abonnement coûte moins cher.
Heures estimées d’après l’analyse (une session). Ne chiffre pas ce que vous perdez (support, intégrations, sécurité).
Puis-je recréer Pangram ?
Pas vraiment. La valeur de Pangram n’est pas dans le code : L’avantage difficile à copier repose sur un corpus de textes humains et de modèles utilisé pour un réentraînement constant, ainsi que sur une réputation assez solide pour que d’autres acceptent le verdict. Voir l’analyse ci-dessus.
Combien coûte Pangram ?
Pangram coûte environ 20 $US/mois (Individual, vérifié le 20/10/2026), soit 240 $US par an.
Que perd-on en remplaçant Pangram ?
Honnêtement : Calibrage : un véritable taux de faux positifs que vous pouvez citer, au lieu d’une impression; Couverture des nouveaux modèles, qui évolue toutes les quelques semaines, que vous mettiez votre outil à jour ou non; Détection à l’échelle de la phrase et des textes à auteurs mixtes, plutôt qu’un score global grossier; Toute crédibilité extérieure, puisqu’un score maison ne convainc exactement aucun enseignant, éditeur ou client; Débit de traitement, téléversements par lots, accès API et analyse de documents. Si l’un de ces points compte pour vous, continuez à payer.
Existe-t-il une alternative open source à Pangram ?
Aucune alternative open source mature à recommander, et c’est précisément pour cela que le prompt de cette page existe.