Pangram lanza Pangram 4 para escritura mixta humana y de IA

Why it matters

Pangram Labs is turning AI detection from a school utility into publishing infrastructure, where model errors can directly affect trust, reputation and revenue.

Pangram Labs cofundadores Max Spero y Bradley Emi lanzaron Pangram 4 el 29 de julio de 2026, ampliando el detector más allá de juicios binarios para clasificar texto totalmente generado, asistido por IA y mixto humano-IA.

Los fundadores de Brooklyn anunciaron el modelo en un hilo de cinco publicaciones en X, junto con una vista previa pública de investigación para Pangram Image, un detector diseñado para identificar visuales sintéticos y resaltar regiones generadas por IA dentro de capturas de pantalla o fotografías. Ambos productos están disponibles a través del panel web de Pangram Labs, mientras que el acceso a la API de imagen sigue siendo solo por invitación.

Spero y Emi se conocieron en su dormitorio de primer año en Stanford, donde ambos obtuvieron posteriormente maestrías en inteligencia artificial. Spero dirigió anteriormente trabajos de active learning para vehículos autónomos en Nuro después de desempeñar roles de machine learning en Google, Two Sigma y Yelp. Emi lideró investigación de deep learning en Absci y trabajó en el equipo central de visión por computadora de Tesla Autopilot. Su apuesta compartida es que la detección de autoría puede convertirse en infraestructura para escuelas, editoriales y plataformas en línea a medida que los modelos generativos entren en la escritura cotidiana.

Pangram 4 pasa de puntuaciones de documentos a segmentos de procedencia

Pangram 4 es más de seis veces más grande que Pangram 3.3 y utiliza una arquitectura de mezcla de expertos, según el informe técnico de Pangram Labs. El modelo asigna una de tres etiquetas de procedencia a cada segmento: Human, AI-Assisted o AI-Generated. Analiza documentos más largos en ventanas superpuestas de 512 tokens y suaviza las predicciones a nivel de token para estimar dónde cambian la autoría dentro de un documento.

Esa segmentación apunta a una debilidad práctica en detectores anteriores. Un documento ensamblado con párrafos humanos, pasajes generados y texto ligeramente editado puede producir una única puntuación engañosa. Pangram 4, en cambio, intenta separar esas categorías en una sola pasada, incluyendo textos pulidos con herramientas como Grammarly, Apple Intelligence o Gemini en Google Docs.

Pangram Labs dice que el modelo registró una tasa de falsos positivos de 0.0041% en un conjunto de prueba interno de 2 millones de documentos humanos con licencia comercial, anteriores a 2022. En un benchmark separado de 519,993 muestras generadas por 26 modelos, Pangram Labs informó una tasa de falsos negativos de 0.3396%, comparada con 1.99% para Pangram 3 en el mismo conjunto de datos. Pangram Labs también afirma que Pangram 4 identificó involucramiento de IA en 98.83% del texto procesado a través de 13 herramientas humanizadoras comerciales.

Esas cifras provienen de las propias evaluaciones de Pangram Labs. La metodología y las limitaciones conocidas están documentadas en una ficha del modelo pública, pero el nuevo modelo aún no ha recibido el tipo de pruebas independientes que importan una vez que escuelas, editoriales o empleadores usan su salida para juzgar trabajos individuales.

Una auditoría de investigación de University of Chicago anterior comparó Pangram con OriginalityAI, GPTZero y una línea base RoBERTa de código abierto. Los investigadores encontraron que el detector anterior de Pangram produjo tasas de error casi nulas en pasajes medianos y largos en su corpus de 1,992 pasajes y se mantuvo mejor frente al humanizador StealthGPT. Ese estudio respalda el enfoque previo de Pangram Labs; no valida de forma independiente las nuevas afirmaciones de benchmark de Pangram 4.

La detección de imágenes amplía la apuesta por la procedencia

Pangram Image escanea salidas asociadas con sistemas que incluyen GPT Image, Gemini, Midjourney, FLUX y Grok Imagine. Pangram Labs dice que el modelo también puede detectar fotogramas de varios generadores de video por IA y producir mapas de calor que muestran regiones sintéticas dentro de imágenes mixtas.

Pangram Labs reportó 99.5% de precisión en una comparación interna que involucró cinco detectores comerciales. La prueba subyacente contenía 1,130 imágenes, incluidas 500 imágenes humanas conocidas y salidas generadas por cinco modelos de imagen, además de muestras de Midjourney. En una versión aumentada comprimida y redimensionada para simular el uso real, Pangram Image registró 99.03% de precisión, según Pangram Labs. Una prueba separada en 10,000 imágenes anteriores a 2022 de ReLAION produjo una tasa de falsos positivos reclamada de 0.16%.

La vista previa tiene límites claros. No procesa imágenes más pequeñas de 512 por 512 píxeles, y Pangram Labs dice que los deepfakes y los intercambios de rostros siguen fuera de su alcance actual. Pequeñas ediciones también pueden hacer que una imagen sea etiquetada completamente como AI porque algunas herramientas de generación regeneran todo el fotograma al cambiar un elemento.

El lanzamiento sigue a Pangram Labs hasta Substack

El momento tiene mayor riesgo después de que Substack comenzara a usar a Pangram Labs este mes. La herramienta de transparencia de IA de Substack permite a los lectores escanear publicaciones, notas, comentarios y respuestas elegibles publicadas a partir del 21 de julio. Los creadores pueden agregar una declaración describiendo cómo trabajan, reportar errores o desactivar la detección en contenido individual.

Esa distribución lleva la salida de Pangram Labs a la relación entre escritores y lectores que pagan. También magnifica cada error. Spero ha dicho previamente que los resultados del detector deberían iniciar una investigación más amplia en lugar de asentar una acusación. The Atlantic informó que Spero confirmó que Pangram había marcado incorrectamente porciones de un artículo de Vanity Fair, lo que ilustra por qué el rendimiento en benchmark y los juicios individuales siguen siendo preguntas separadas.

Pangram Labs anunció 3.98 millones de dólares en financiamiento pre-semilla y semilla en junio de 2025. La financiación incluyó una ronda seed liderada por ScOp Venture Capital, con Script Capital, Cadenza e inversionistas ángeles participando; Haystack VC lideró la pre-semilla anterior.

El nuevo modelo también cambia la economía para los desarrolladores. Los escaneos de la API de Pangram 4 están con precio de $0.05 por 100 palabras, frente a $0.05 por 1,000 palabras para Pangram 3. Pangram Labs planea retirar Pangram 3 el 30 de septiembre de 2026, dando a los clientes dos meses para probar si las clasificaciones más finas de Pangram 4 justifican un costo mayor para documentos largos.