SlopTotal bringt selbst gehostete KI-Texterkennung auf lokale CPUs

Der Entwickler Pablo Caeg hat SlopTotal veröffentlicht, ein Open-Source-Projekt, das als lokale, selbst gehostete Alternative zu kommerziellen KI-Inhaltsdetektoren fungiert. Ende September 2026 vorgestellt, aggregiert das Tool dreiundzwanzig verschiedene Erkennungs-Engines, um Texte, Dokumente und URLs vollständig auf der eigenen Hardware des Nutzers zu analysieren. Durch die lokale Ausführung dieser Modelle auf der CPU wird sichergestellt, dass sensible Daten niemals die Infrastruktur des Nutzers verlassen, während gleichzeitig eine granulare Einsicht in die Schlussfolgerungen jeder einzelnen Engine gewährt wird.

Was ist passiert

SlopTotal funktioniert durch die Parallelisierung von dreiundzwanzig unabhängigen Erkennungsmethoden, die von neuronalen Klassifizierern wie DeBERTa und RoBERTa bis hin zu statistischen Tests wie Perplexitäts- und Burstiness-Analysen reichen. Anstatt einen einzigen Black-Box-Wahrscheinlichkeitswert zurückzugeben, präsentiert das System ein kalibriertes Ensemble-Urteil zusammen mit individuellen Scores jeder Engine. Dieser Ansatz ermöglicht es Nutzern, die spezifischen Beiträge linguistischer Heuristiken, Detektoren für Standardfloskeln und Deep-Learning-Modelle zu überprüfen. Das Projekt umfasst eine Weboberfläche und eine JSON-API, was die Integration in bestehende Workflows oder manuelle Prüfungen über den Browser erlaubt.

Das Tool verfügt zudem über eine spezialisierte „Site Check“-Funktion, die darauf ausgelegt ist, Websites zu identifizieren, die von KI-App-Buildern erstellt wurden. Es scannt nach digitalen Fingerabdrücken, die von Plattformen wie Lovable, v0, Bolt, Base44, Replit und Same hinterlassen werden. Anstatt basierend auf visuellem Stil oder Codequalität zu raten, sucht es nach konkreten Markierungen wie bestimmten JavaScript-Runtimes, Meta-Tags und Hosting-Domains, die mit diesen Buildern assoziiert sind. Diese Unterscheidung hilft dabei, KI-unterstütztes Coden von KI-generierten Deployment-Artefakten zu trennen, und liefert Beweise statt nur einer Wahrscheinlichkeitsangabe.

Wichtige Details

• Lokale Ausführung: Die Software läuft vollständig auf der CPU, benötigt keine GPU und erfordert mindestens 4 GB RAM für das Lite-Profil.
• Dreiundzwanzig Engines: Kombiniert neuronale Klassifizierer, statistische Methoden und linguistische Heuristiken für eine mehrschichtige Analyse.
• Transparente Benchmarking-Messung: Genauigkeitsmetriken werden mit rohen Einzel-Scores pro Probe veröffentlicht, einschließlich Tests gegen Literatur vor 1920, um False Positives zu messen.
• Dokumentunterstützung: Akzeptiert direkte Texteingaben, URLs, PDFs, Word-Dokumente und Markdown-Dateien zum Scannen.
• Datenschutzorientiert: Es werden keine Daten an externe APIs gesendet; Berichte werden lokal gespeichert und standardmäßig nach dreißig Tagen gelöscht.
• Docker-fähig: Kann sofort mit einem einzigen Docker-Befehl bereitgestellt werden, wobei Modelle nach dem ersten Lauf automatisch gecacht werden.

Hintergrund

KI-Erkennung ist aufgrund hoher Raten an False Positives und der Intransparenz proprietärer Tools zu einem umstrittenen Feld geworden. Viele kommerzielle Detektoren arbeiten als Black Boxes und bieten einen einzigen Konfidenz-Score an, ohne die zugrunde liegende Logik zu erklären. Dieser Mangel an Transparenz macht es Organisationen schwierig, den Ergebnissen zu vertrauen, insbesondere wenn es um formales Schreiben oder ältere literarische Stile geht, die strukturelle Ähnlichkeiten mit maschinell generiertem Text aufweisen können. Darüber hinaus wirft das Senden sensibler Unternehmensdokumente an Drittanbieter-Erkennungsdienste erhebliche Datenschutz- und Sicherheitsbedenken auf.

SlopTotal adressiert diese Probleme durch die Übernahme eines Ensemble-Ansatzes ähnlich VirusTotal, der mehrere Antivirus-Engines aggregiert. Durch die Kombination verschiedener Erkennungsstrategien werden die Schwächen einzelner Modelle gemildert. Während neuronale Klassifizierer zwar leistungsstark sind, können sie gegenüber bestimmten Schreibstilen voreingenommen sein. Linguistische Heuristiken liefern zwar individuell schwächere Signale, helfen aber bei der Auflösung von Unentschieden. Das Projekt veröffentlicht explizit seine Fehlerfälle und die Benchmarking-Methodologie, sodass Nutzer die Grenzen der Technologie verstehen können, anstatt sich auf Marketingaussagen zu verlassen.

Warum es wichtig ist

Für Teams, die ihre eigene Software-Infrastruktur verwalten, ist die Fähigkeit, KI-generierte Inhalte zu prüfen, ohne geistiges Eigentum externen Anbietern preiszugeben, entscheidend. Das Selbsthosting von SlopTotal stellt sicher, dass interne Dokumente, Code-Reviews und Kommunikation innerhalb der Sicherheitsperimeter des Unternehmens bleiben. Dies ist besonders wichtig für Branchen mit strengen Compliance-Anforderungen, wo Datenlecks an KI-Drittdienste untersagt sind. Die reine CPU-Anforderung senkt zudem die Einstiegshürde und ermöglicht die Bereitstellung auf Standardservern oder sogar Entwickler-Laptops ohne spezielle Hardware.

Die Transparenz des Bewertungssystems bietet praktischen Wert für redaktionelle und Compliance-Workflows. Wenn ein Inhalt markiert wird, können Prüfer genau sehen, welche Engines Alarm geschlagen haben und warum. Diese granulare Einsicht hilft dabei, echte KI-Generierung von stilistischen Eigenheiten menschlichen Schreibens zu unterscheiden. Zusätzlich bietet die Site-Check-Funktion eine neue Möglichkeit, Lieferanten-Liefergegenstände oder interne Projekte zu bewerten, indem sie identifiziert, ob eine Website mit schnellen KI-Prototyping-Tools erstellt wurde, was Auswirkungen auf Wartbarkeit und Sicherheit haben kann.

Was Sie tun können

• Stellen Sie das Tool lokal mit Docker bereit, um die Leistung auf Ihrer spezifischen Hardware-Konfiguration zu testen.
• Integrieren Sie die JSON-API in Ihr Content-Management-System, um die Vorprüfung eingereichter Artikel zu automatisieren.
• Nutzen Sie den Site-Check-Endpunkt, um externe Anbieter-Websites auf Hinweise von KI-generiertem Boilerplate-Code zu prüfen.
• Überprüfen Sie die veröffentlichten Benchmark-Daten, um die False-Positive-Raten des Tools zu verstehen, bevor Sie es in kritischen Workflows implementieren.
• Konfigurieren Sie die Aufbewahrungsrichtlinie entsprechend den Data-Governance-Standards Ihrer Organisation, um sicherzustellen, dass Berichte angemessen gelöscht werden.
• Führen Sie nach der Installation das Smoke-Test-Skript aus, um zu verifizieren, dass alle dreiundzwanzig Engines geladen werden und korrekt funktionieren.