请求参数
POST /v1/text/classify，请求头需带 Authorization 与 Idempotency-Key。
| 字段 | 类型 | 必填 | 说明 |
|---|---|---|---|
text | string | 是 | 待检测文本，最多 20000 个字符（按 Unicode 字符计，不是字节）；提交时剔除首尾空白，中间的空格、换行与标点计入字符数。 |
is_merge | boolean | 否 | 是否合并分段。传 false 时逐段返回 segment_labels，用于定位「哪一段是 AI 写的」；传 true 或不传时合并为整体判定（上游默认 true），返回体积更小。 |
返回字段
任务成功后，result 的结构如下：
| 字段 | 说明 |
|---|---|
status | 上游返回的执行状态，success 表示本次检测有效。 |
softmax_confidence | 模型对整篇文本的分类置信度（0~1），判断整体倾向时看它。 |
ratio_confidence | 与分段标签占比相关的另一个整体置信度口径，控制台里显示为「分段占比」。 |
labels_ratio | 各标签在全文中的占比，键为字符串 "0" / "1" / "2"，全部相加为 1。 |
segment_labels | 逐段结果数组，仅在 is_merge=false 时有意义。字段见下表。 |
segment_labels 数组中每一项的字段：
| 字段 | 说明 |
|---|---|
text | 这一段的原文。 |
label | 该段标签：0 = 人工、1 = AI、2 = 疑似 AI。 |
conf | 该段的置信度（0~1），波形图按它绘制。 |
order | 段落序号，从 1 开始。 |
position | [起始位置, 段长]，第二项是长度而不是结束下标，按 Unicode 字符计。 |
文本结果没有 data 字段——那是图片检测的形状。 两者互斥，可以用 segment_labels 是否存在来区分。
调用示例
# 1. 提交检测任务（提交即扣费，务必携带 Idempotency-Key）
# 幂等键任意 <=64 字符的随机串即可。这里读内核提供的 UUID，不用 uuidgen ——
# 它属于 uuid-runtime 包，最小化安装的 Debian/Ubuntu 上默认没有。
# is_merge=false 让每个段落独立出置信度（分段检测）；省略或 true 则合并为整体判定
curl -X POST https://your-domain.com/v1/text/classify \
-H "Authorization: Bearer sk-zq-你的密钥" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $(cat /proc/sys/kernel/random/uuid)" \
-d '{"text":"这是一段待检测的文本","is_merge":false}'
# 2. 用返回的 task_id 轮询结果（pending / running / succeeded / failed）
curl https://your-domain.com/v1/tasks/<task_id> \
-H "Authorization: Bearer sk-zq-你的密钥"{
"code": "ok",
"data": {
"task_id": "01J8Z9K3M7X2Q4R6T8V0W1Y5BC",
"provider": "zhuque-text",
"status": "succeeded",
"cost": "0.0600",
"result": {
"status": "success",
"softmax_confidence": 0.9987,
"ratio_confidence": 0.9821,
"labels_ratio": { "0": 0.35, "1": 0.65 },
"segment_labels": [
{
"text": "前半段人工撰写的内容",
"label": 0,
"conf": 0.0121,
"order": 1,
"position": [0, 10]
},
{
"text": "后半段由模型生成的续写",
"label": 1,
"conf": 0.9976,
"order": 2,
"position": [10, 11]
}
]
},
"error_code": null,
"error_msg": null,
"latency_ms": 1832,
"created_at": "2026-10-10T15:32:14+08:00",
"finished_at": "2026-10-10T15:32:16+08:00"
}
}segment_labels[].position 是 [start, length]：第二项是段长（按 Unicode 字符计），不是结束下标。
典型场景
- 投稿与内容审核初筛。用
is_merge=false拿到分段结果，把高置信度的段落 连同位置一起交给审核人员，人工只需要看那几段，不必通读全文。 - AIGC 标识合规。平台需要为「疑似 AI 生成」的内容打标时，可以先跑一次检测拿到判定与依据， 再结合自身规则决定是否加标。
- 批量文本入库前的过滤。异步任务模型适合并发提交后统一轮询，但受账号每秒提交上限约束， 批量场景请在客户端做限速与退避重试。
更完整的错误码、退款规则与用量上限见 接口文档。
常见问题
is_merge 该怎么选？+
需要知道「哪一段是 AI 写的」就传 false，返回的 segment_labels 会逐段给出标签与置信度，适合定位、标注、逐段改写；只关心「整篇是不是 AI 生成」就传 true 或不传（上游默认 true），返回体积更小。注意语义容易搞反：false 才是分段，true 是合并。
segment_labels 里的 position 怎么理解？+
position 是 [起始位置, 段长]，第二项是这一段的长度，不是结束下标。即段落覆盖原文的 [position[0], position[0] + position[1]) 区间。按字符索引计算，与 text 参数的长度口径一致。
softmax_confidence 和 ratio_confidence 有什么区别？+
两者都是上游给出的整体置信度，但口径不同：softmax_confidence 是模型对整篇文本的分类输出；ratio_confidence 与分段标签的占比相关（控制台里把它显示为「分段占比」）。判断整体倾向时看 softmax_confidence，需要与分段结果对齐时看 ratio_confidence——两者明显不一致，通常说明文本里人工与 AI 内容混杂。上游没有公开这两个值的计算细节，本站原样透传，请以返回值本身为准，不要把它们当作精确的统计公式。
text 的长度上限是多少？超了怎么办？+
单次最多 20000 个字符，按 Unicode 字符计（不是字节），超出直接返回 400。更长的文本需要自行切分后分批提交，每一批都是一次独立计费与扣费——切分时尽量按段落边界切，避免把一句话截成两半影响判定。
labels_ratio 里的数字标签代表什么？+
标签是三分类：0 = 人工、1 = AI、2 = 疑似 AI，取值是各标签在全文中的占比，全部相加为 1。含义与 segment_labels 里每段的 label 字段一致。注意键是字符串，且**实际返回哪几个键取决于这次检测出现了哪些标签**——不要假设一定有 2，也不要假设只有两个键，遍历取值即可。
相关页面
注册即赠体验金，先把全流程跑通再充值