3줄 요약
- 2026년 8월 28일 GitHub에 공개된
Nanako0129/sepia는 Claude Code, Codex, Grok Build, Antigravity 네 곳에서 함께 쓰는 Agent Skill이다. AI가 쓴 글에서 기계 티를 걷어내는 것을 목표로 하며, MIT 라이선스에 버전 0.2.0, 공개 하루 만에 별 471개를 모았다. - 근거는 StoryScope(arXiv:2604.03136)다. 6만 1,608편의 단편을 놓고 재어 보니, 서사 구조 특징만 쓴 분류기가 AI 소설을 93.2% macro-F1로 골라냈고, 표면 문체를 전문 편집자 방식으로 다시 써도 탐지율은 95.5%에서 93.9%로만 내려갔다. 어휘를 씻어도 남는 흔적은 구조 쪽에 있다는 뜻이다.
- 그래서 sepia는 소설에 세 단계 패스를 순서대로 걸고(서사 구조 → 담화 흐름 → 표면 문체), 릴리스 노트나 사후 분석 같은 업무 문서는 게시 지면별 규칙 파일로 따로 라우팅한다. 모든 규칙 위에 놓인 원칙은 “AI 분포를 뒤집지 말고 인간 분포로 맞춰라"이며, 한 편에 손질 3~5개만 골라 쓰고 나머지는 느슨하게 남겨 둔다.
저장소가 무엇인가
| 항목 | 값 |
|---|---|
| 저장소 | Nanako0129/sepia (작성자 Nanako Tsai) |
| 최초 커밋 | 2026-08-28 |
| 라이선스 | MIT |
| 스킬 버전 | 0.2.0 |
| 별 / 포크 | 471 / 24 (2026-08-29 조회 시점) |
| 지원 플랫폼 | Claude Code, Codex, Grok Build, Antigravity |
구성은 단순하다. 정본 skills/sepia/SKILL.md 한 장에 라우팅과 조작 계약, 보정 규칙, 가드레일이 들어 있고, 세부 규칙은 references/ 아래 여덟 개 파일로 나뉘어 있다. 플랫폼마다 스킬을 따로 포크하지 않고 포장 층만 갈아 끼운다. .claude-plugin/, .codex-plugin/, .agents/가 그 포장 층이며, Antigravity에는 슬래시 명령이 없어서 /sepia 워크플로 파일을 하나 더 복사한다.
설치는 플랫폼별 네이티브 명령이 각각 있고, 넷을 한 번에 깔고 싶으면 install.sh 한 줄이 있다. 저장소를 ~/.sepia에 클론한 뒤 Claude Code, Codex, Grok Build에는 심링크를, Antigravity에는 복사본을 놓는다. 같은 줄을 다시 실행하는 것이 갱신 절차다.
왜 또 하나의 humanizer인가
이 스킬이 내세우는 차별점은 문제를 재는 자리를 옮긴 것이다. research/ecosystem.md에 정리된 조사에 따르면, 인기 있는 도구들은 거의 전부 표면 층에 몰려 있다. 선두인 blader/humanizer가 별 38.3k로 35개 패턴을 다루고, mshumer/unslop이 536개, haowjy/creative-writing-skills가 429개, sam-paech의 antislop 계열이 355개다. 그중 StoryScope를 인용한 것은 별 58개의 asavvin-pixel/unslop 하나뿐이며, 그마저 논설문 단락 구조에 쓴다.
StoryScope 쪽 수치는 이렇다. Books3의 인간 단편에서 역설계한 프롬프트 1만 272개로 인간과 다섯 모델(Claude Sonnet 4.6, GPT-5.4, Gemini 3 Flash, DeepSeek V3.2, Kimi K2.5)이 각각 한 편씩 써서 총 6만 1,608편, 평균 4,753 단어를 모았다. 이를 NarraBench 구조 템플릿으로 뜬 뒤 304개 해석 가능한 서사 특징을 뽑아 XGBoost로 분류했다.
| 실험 | macro-F1 |
|---|---|
| 서사 특징만 (이진 판별) | 93.2% |
| 서사 + 문체 | 96.0% |
| 문체만 | 85.8% |
| LAMP 방식 문체 개작 후 | 95.5% → 93.9% |
| 6지 선다 저자 귀속 (서사만 / +문체) | 68.4% / 77.3% |
특징 라벨링 신뢰도는 Krippendorff α=0.90, 인간과 모델 사이 Cohen κ=0.84로 인간끼리의 0.74보다 높았다. 길이, 주제, 기억 오염을 각각 제거한 실험에서도 결론이 바뀌지 않았다. 인간 단편이 더 길긴 하다(중간값 4,973 대 3,355 단어). 그래도 길이를 맞춘 뒤에도 판별력은 유지됐다.
한 가지 더. 인간 소설은 서사 특징 공간에서 더 희귀하고 더 흩어져 있다. 희귀도 백분위가 인간 0.71, AI 0.49(Cohen’s d=0.83)이고, 인간과 AI 중심점 사이 거리가 AI끼리의 1.6배다. 인간 단편의 24.7%가 가장 희귀한 10% 구간에 들어간다. 다섯 모델은 서사 공간의 한 지역에 뭉쳐 있다는 말이다.
30개 지표: 무엇이 벌어지는가
references/rubric.md는 인간과 AI를 가장 잘 가르는 30개 서사 특징을 진단 체크리스트로 옮겼다. 이 30개만으로도 84.8% macro-F1이 나온다. 체크리스트 자체가 탐지기를 거꾸로 돌린 것이다.
AI가 높게 나오는 축
| 특징 | 인간 | AI |
|---|---|---|
| 서술자가 주제를 직접 말한다 | 52% | 77% |
| 주제 명시성 (1~5) | 3.28 | 3.94 |
| 대화가 철학 논쟁으로 쓰인다 | 34% | 59% |
| 주제 통일성 (1~5) | 4.41 | 4.74 |
| 정서를 신체 감각으로만 그린다 | 38% | 81% |
| 후각 이미지가 주요 감각에 든다 | 57% | 82% |
| 배경이 내면을 거울처럼 비춘다 (1~5) | 3.58 | 4.07 |
| 인과 사슬 연속성 (1~5) | 3.92 | 4.20 |
| 지선이 아예 없다 | 57% | 79% |
| 결말이 주인공 자신의 선택으로 풀린다 | 46% | 69% |
| 결말이 내적 이해와 수용으로 닫힌다 | 27% | 47% |
| 주인공을 외모 서술로 소개한다 | 30% | 52% |
인간이 높게 나오는 축
| 특징 | 인간 | AI |
|---|---|---|
| 실재 작품이나 작가를 실명으로 인용한다 | 47% | 24% |
| 명시 인용과 암시 인용을 섞는다 | 37% | 16% |
| 제4의 벽을 건드린다 | 67% | 39% |
| 독자를 직접 부른다 | 28% | 7% |
| 정서를 이름으로 그냥 쓴다 (“그녀는 무서웠다”) | 29% | 8% |
| 시간 불연속 (1~5) | 2.40 | 2.12 |
| 폭로 뒤 앞부분이 다시 읽히는 정도 (1~5) | 3.28 | 2.95 |
| 지선이 주제와 평행하게 울린다 | 42% | 21% |
| 주인공의 도덕적 위치가 양가적이다 | 59% | 38% |
| 대화 대 서술 비중 (1~5) | 2.95 | 2.70 |
StoryScope의 질적 관찰 중 sepia가 규칙으로 옮긴 문장은 이렇다.
인간 작가는 인물이 “무서웠다"고 쓸 수 있는데, AI는 두려움을 조여드는 가슴과 식은땀과 어두워지는 등불로 옮긴다.
인간이 쓴 추리소설은 장례식에서 열려 수십 년을 거슬러 감을 수 있지만, AI는 같은 이야기를 첫 단서에서 대반전까지 순서대로 말한다.
AI는 아무도 보고 있지 않은 것처럼 쓴다.
채점 방식
루브릭은 판정을 재량에 맡기지 않는다. 수치 항목은 인간 목표값과 AI 값의 중간점을 넘으면 이탈로 센다. 주제 명시성이면 목표 3.3, AI 3.9, 중간점 3.6이므로 4점은 이탈이고 3.5점은 아니다. 비율 항목은 AI 쪽 선택지가 나타나고 AI% ÷ 목표% 비가 1.4 이상일 때 이탈이다.
이탈 비율에 따라 다음이 갈린다.
| 이탈 비율 | 조치 |
|---|---|
| 20% 이상 | 구조 개정 (세 패스 전부) |
| 10~20% | 이탈한 항목만 겨냥해 수정 |
| 10% 미만 | 표면 문체 패스만 |
프로토콜에는 재미있는 제약이 하나 붙어 있다. 다섯 그룹을 한 번에 보지 말고 한 그룹씩 다섯 번에 나눠 채점하라는 것이다. 근거는 측정이다. 모델에게 전체 가이드를 한꺼번에 주면 두드러진 한두 차원에 몰리고 나머지에는 눈이 먼다. 스팬 정밀도가 0.13까지 떨어진다. 그리고 항목마다 근거 구절을 인용하지 못하면 점수를 매기지 못한다.
세 단계 패스
패스 1: 서사 구조
일곱 개 결정 그룹으로 나뉜다. 주제 처리, 플롯의 단선성, 결말과 해결, 시간, 정서와 감각, 인물과 사회 관계망, 외부 세계와 독자. 각 그룹은 측정된 격차와 생성 시 지시, 개정 시 점검을 나란히 적어 둔다.
초고 전에 채우는 아키텍처 시트가 있다. 주제 처리는 명시 / 암시 / 유보 중 무엇인가, 지선은 없음 / 평행 / 대조 / 독립 중 무엇인가, 해결의 동력은 주인공의 선택인가 외부인가, 시간 구조는 선형인가 중간 정도의 시간 착종인가, 폭로는 앞에 놓는가 뒤에 놓는가, 정서 전략은 어떤 조합인가. 마지막 칸이 희귀 수 하나다. 이 전제에서 통상적이지 않은 구조 선택을 정확히 하나만 넣는다. 둘 이상이면 연기로 읽힌다.
몇 가지 구체적인 규칙이 인상적이다.
- 주제 통일성 목표가 4.4/5다. 5/5가 아니다. 어느 장면 하나는 주제에 봉사하지 않고 질감만으로 있어도 된다. 완전한 통일이 오히려 표지다.
- 회수되지 않는 복선을 하나 심는다. 설치한 총이 전부 발사되는 목록은 기계의 장부 정리다.
- “메아리 시험”: 각 전환점마다 이 전제를 스무 번 다시 생성하면 이 전환이 또 나올지 묻는다. 도움을 주는 낯선 이, 깔끔하게 풀리는 문제, 일정대로 오는 화해는 다시 나온다. 카프카의 교통경찰은 “포기하시오!” 하고 걸어가 버리는데, 스무 번 재생성하면 길을 알려주는 경찰 스무 명이 나온다.
- 결말의 삼각대(주인공이 결정하고 + 받아들이고 + 이해한다)가 데이터에서 가장 강한 결말 지문이다. 셋 중 최소 하나는 부러뜨린다. 느낌보다 한 박자 먼저 끝내는 것이 대개 답이다.
- 사회 관계망 수치도 있다. 인물 쌍 중 상호작용하는 비율이 인간 0.18, AI 0.34~0.47이다. 관계 정서의 평균이 인간은 −0.06으로 중립인데 AI는 +0.24에서 +0.66까지 전부 양수다. 적대 관계의 군집 계수는 인간 0.395, AI 0.07~0.21이다. 악당에게 자기 편과 내부 균열을 주라는 규칙이 여기서 나온다.
- 도덕화하는 마지막 한 줄이 가장 신뢰도 높은 AI 결말이다. Beguš의 관찰로는 “사랑은 경계를 모른다” 류가 예사로 나온다. 그냥 멈추는 결말이 인간이고, 결론을 내는 결말이 기계다.
일곱 그룹 중 여섯 개에 ⚑ 표시가 붙어 있다. 기존 humanizer 도구들이 전혀 다루지 않는 영역이라는 표시다.
패스 2: 담화 흐름
문단이 어떻게 나아가고, 어디서 힘이 빠지고, 무엇이 지면의 어느 자리에 놓이는가를 본다.
QUD 점검이 핵심이다. 모든 문단은 암묵적으로 어떤 질문에 답한다. QUDsim 연구에서 같은 전제를 받은 두 모델이 독립적으로 똑같은 질문 순서를 냈다. 장면 브리핑 → 속임수 정당화 → 사회적 결과 → 책임의 무게. 문장을 다시 써서는 이 순서가 가려지지 않는다. 질문을 바꾸거나 재배열해야 한다.
수치가 처방을 만든다. LLM은 결과와 절차 이동을 19% 쓰고, 비교와 검증 이동은 0.2~0.3%만 쓴다. 그래서 “그런데 언니의 기억은 그렇지 않다"는 문단 하나가 페이지 하나를 어휘 수준에서 다시 쓰는 것보다 일을 더 한다.
개요 시험도 있다. 모든 문단의 첫 문장을 뽑아 목록으로 읽는다. 그것이 글의 깔끔한 요약이 되면 구조가 기계 모양이다. 인간의 개요에는 빈틈과 도약이 있고, 맥락 없이는 뜻이 통하지 않는 문장이 섞인다.
또 하나. 탐지기와 인간 심사자 모두 AI 텍스트를 본문 중반에서 가장 잘 알아본다. 도입과 결말은 공식적이어서 모델이 잘 흉내내고, 긴 중간에서 정체를 드러낸다. 이 관찰은 소설뿐 아니라 뉴스, 에세이, 이메일에서도 측정됐다.
지면 위 위치 지문 표는 옮겨 둘 만하다.
| 위치 지문 | 기계의 습관 | 인간의 습관 |
|---|---|---|
| 문단 길이 | 균일 | 들쭉날쭉, 한 문장 문단 포함 |
| 인용된 말과 핵심 문장 | 언제나 문단 끝 | 아무 데나, 문단 중간도 |
| 성질, 이유, 이미지의 나열 | 정확히 세 개 | 둘, 넷, 하나. 셋도 가끔 |
| 장면 전환 | 매번 같은 접속 공식 | 하드 컷, 시간 도약, 대화 픽업 |
| 강조 | 고르게 분산 | 중요한 데 뭉치고 다른 데는 없음 |
이름 이야기도 있다. 모델들은 같은 이름으로 수렴한다. Elara, Ava, Amelia. 시험한 AI 기사의 63~70%에 Emily와 Sarah가 나오고, 모두 “Dr.” 직함을 달고 있었다.
패스 3: 표면 문체
마지막에 돌린다. LAMP 연구에서 전문 편집자가 실제로 고친 빈도 순으로 일곱 개 결함을 정렬해 두었다. 어색한 단어 선택 28%, 나쁜 문장 구조 20%, 중복 설명 18%, 클리셰 17%, 구체성 부족, 자주색 산문, 시제 불일치.
편집 조작 비율까지 규칙에 넣었다. 교체 74% / 삭제 18% / 삽입 8%. 망설여지면 자른다. 늘려도 되는 유일한 수정은 실재하는 구체성을 넣는 것이다.
클리셰 항목에는 경고가 붙어 있다. 클리셰를 더 무미한 다른 표현으로 바꾸는 것이 문서화된 기계의 실패 방식이다. 신선한 것이 없으면 그 줄을 지운다.
구문 템플릿 표에는 인간 대비 2~5배 과대표되는 형태가 정리돼 있다. a/the [추상명사] of [명사], the [형용사] [명사] of [소유격], 앞뒤에 붙는 분사구(최대 5배), 명사화(2배), not only X but also Y, 그리고 삼단 병렬.
금지 어휘 표는 tapestry, delve, intricate, palpable 같은 익숙한 목록에 소설 전용 목록(ozone, petrichor, shimmering, thrums, “barely above a whisper”, “breath catches”)과 필터 동사(felt, seemed, realized, noticed, knew)를 더했다. 단, 한 번 걸리는 것은 판정이 아니라고 명시한다. 슬롭은 누적이므로 뭉칠 때 다시 쓴다.
되살릴 목록도 있다. 지시 조정된 모델이 체계적으로 억제하는 것들이다. 축약형, 담화 소사(well, anyway, just, actually), 평범한 인과 접속사(GPT-4o는 because를 인간의 20% 비율로 쓴다), 헤지와 강조어, 부정, 대동사 do, 그리고 평범한 발화 표지. says/said를 반복하는 것이 인간이고, notes, observes, remarks, muses를 돌려 쓰는 것이 기계의 우아함이다.
소설이 아닌 글은 다르게 실패한다
업무 산문에서는 목표가 달라진다. 탐지기를 속이는 것이 목표가 아니라, 글이 정보를 나르고 입장을 갖고 이름이 적힌 사람에게서 나온 것처럼 들리는 것이 목표다. 관습적인 형식은 여기서 문제가 아니고, 그 형식 안에 든 채움말이 문제다.
먼저 하는 일은 게시 지면 읽기다. 그 지면의 최근 인간 작성물 2~3개를 표본으로 뜬 뒤 어투와 길이 규범, 서식 습관을 맞춘다. 측정된 AI 티의 절반이 어투 불일치다. 목표 목소리를 정하는 것은 스킬이 아니라 지면의 말뭉치라고 적어 두었다.
공유 체크리스트 10개는 이렇다. 챗봇 잔여물(“좋은 질문입니다”, “도움이 되었으면 합니다”), 밀도, 관련성, 입장, 구체성, 서식 지문, 결론 잔여물, 틀에 박힘, 리듬의 단조로움, 발화 가능성. 입장 항목이 특히 분명하다. 판단이 필요한 자리에서는 하나로 정한다. 평결 없는 리뷰, 추천 없는 비교, 인정한 잘못이 없는 사후 분석은 측정된 슬롭 차원이다.
그 위에 문서 종류별로 얇은 규칙 파일이 하나씩 얹힌다.
| 문서 | 요지 |
|---|---|
| 릴리스 노트와 공지 | 사용자 영향을 먼저, 주장마다 산출물을, 마케팅 부풀림 없이 |
| PR과 이슈 답글 | 답을 먼저, file:line을 인용, 반사적 칭찬 금지, 길이는 걸린 것에 비례 |
| 사후 분석 | 사람에게는 무책, 기전에는 무자비. 타임스탬프, 막힌 길, 주인 있는 조치 항목 |
| 티켓과 작업 지시 | 제목은 결과로, 수락 기준은 시험 가능하게, 반복하지 말고 링크 |
| 기술 아티클 | 문제에서 열고, 실제로 막혔던 길 하나, 확정한 의견 하나, 조건이 붙은 숫자 |
문서 형태에 따라 가중치도 다르다. 아티클형(사후 분석, 기술 글, 공지)은 관련성과 밀도, 입장과 일관성을 먼저 본다. 짧은 답변형(PR 답글, 리뷰 코멘트, 티켓)은 사실성과 구체성, 틀에 박힘을 먼저 본다.
모델마다 다른 지문
references/model-fingerprints.md는 StoryScope의 6지 선다 저자 귀속(서사 특징만으로 68.4%)을 교정 표로 옮겼다.
| 모델 | 기본 성향 | 교정 |
|---|---|---|
| Claude | 지문 26개로 가장 식별하기 쉽다. 사건 강도 상승 곡선이 가장 평평하고 서술 목소리가 균일하다. 문학 전통에 경건하다(62% 대 39~56%). 에필로그와 미래 도약 결말을 좋아하고 꿈 장면을 피한다 | 강도를 불균등하게 뛰게 하고, 관습 하나는 조롱하게 하고, 에필로그를 기본 금지하고 움직임 속에서 끝낸다 |
| GPT | 소문을 플롯 기제로 쓴다(64% 대 44~55%). “수십 년 뒤 돌아보면” 하는 원거리 회고 서술자. 반전을 가장 많이 넣는다(41%). 화해를 습관적으로 미완으로 둔다 | 정보를 관찰이나 문서, 우연으로 옮기고, 사건에 더 가까이서 서술하고, 관계 하나는 어느 쪽으로든 완전히 닫는다 |
| Gemini | 결말을 가장 깔끔하게 닫고 대단원을 길게 끈다. 배경이 88% 암울하다. 회상과 꿈 장면 과다. 주인공의 사회 반경이 항상 확장된다 | 마지막 장면을 자르고, 배경 온도를 섞고, 시간 착종을 장식이 아니라 폭로 배치에 쓴다 |
| DeepSeek | 결정적 맥락을 앞에 다 넣는다. 서술자가 눈에 보인다. 정서를 행동 신호로만 그린다 | 브리핑을 자르고 배경을 움직임 중간에 새게 하고, 서술자는 물러난다 |
| Kimi | 지문이 3개뿐이다. AI 서사 공간의 무특징 중심에 앉아 있는 것 자체가 표지다 | 공유 패스를 최대 강도로 걸고 희귀 수 하나에 힘을 준다 |
인간 지문도 따로 정리해 두었다. 이쪽은 모방할 표적이다. 주인공을 대화 중에 등장시키는 것(고유성 21.4로 연구 안에서 가장 강한 단일 표지), 단일 초점 유지, 체계 없이 이따가 들어오는 서술자의 곁말, 뒤로 미룬 폭로, 그리고 장르를 넘고 싶어 하는 문학적 야심.
모든 규칙을 지배하는 규칙
sepia가 스스로 가장 중요하다고 두는 대목은 규칙 목록이 아니라 그 위의 보정 원칙이다.
| 원칙 | 뜻 |
|---|---|
| 반대 극이 아니라 대역을 겨눈다 | 인간 값은 대개 중간이다. 시간 불연속은 5가 아니라 2.4다. 모든 AI 표지를 뒤집으면 새 지문이 생긴다 |
| 누적하지 말고 선택한다 | 소설 한 편에 3~5개, 전제에 맞게 골라, 작품마다 다르게 |
| 느슨함을 남긴다 | 평범한 문장, 덜 자란 생각, 밋밋한 문단 하나. 모든 표면을 갈아내지 않는다 |
여기에 딱딱한 가드레일 다섯 줄이 붙는다. 구체적인 것을 지어내지 않는다(자신 있게 틀린 사실 자체가 최상급 표지다), 삭제가 추가를 앞선다, 작가의 목소리와 지면의 말뭉치를 존중한다, 대화 인용과 인용 자료는 규칙화하지 않는다, 그리고 화이트리스트를 먼저 확인한다.
화이트리스트는 과잉 교정을 막는 장치다. 깔끔한 문법과 구두점, em 대시 하나나 delve 한 번, 격식 있는 지면의 격식체, 인물 대사 안의 금지어, 작성자가 실제로 쓰는 버릇, 평범한 중간 문장은 AI의 증거가 아니다. 문체 패스는 이렇게 끝난다.
비격식은 위장이 아니다. 지금 세대 모델은 이미 편한 어투를 흉내낼 수 있고, 숙련된 판독자는 “비격식이지만 나머지는 온전히 기계 패턴"인 글을 즉시 AI로 읽는다.
네 개의 조작
어떤 요청이든 네 가지 중 하나로 맵핑된다.
| 조작 | 계약 |
|---|---|
| write | 새로 쓴다. 초고 전에 도메인 파일을 읽는다. 구조와 어투 결정은 나중에 싸게 얹을 수 없다 |
| review | 진단만 한다. 결함 목록을 내고 멈춘다. 요청받기 전까지 아무것도 적용하지 않는다 |
| refactor | 구조와 목소리, 의도를 지키며 최소 수정. 결함 목록을 먼저 전부 만든 뒤 깊은 층부터 항목별로 고친다 |
| recreate | 전면 재작성. 사실과 주장, 의도만 뽑아 목록으로 만들고 지어낸 것이 없는지 확인한 뒤 새로 쓴다 |
refactor와 recreate에서 2단계 프로토콜은 선택이 아니라고 명시한다. 결함 목록 없이 그냥 다시 쓰면 AI 지문이 더 잘 보이게 된다. 숙련된 판독자를 상대로 측정된 결과다.
가장 눈여겨본 것은
이 스킬이 가장 신경 쓴 상대가 탐지기가 아니라 자기 자신이라는 점이다.
규칙 문서 안에 규칙이 만들 새 지문을 경계하는 문장이 계속 나온다. 30개 지표를 전부 뒤집으면 새 지문이 생긴다. 주제 통일성을 5점에서 1점으로 내리면 그것도 표지다. 희귀한 구조 선택은 정확히 하나여야 하고 둘이면 연기로 읽힌다. 루브릭에는 “과잉 교정 권고"라는 별도 판정이 있어서, AI 반대 방향의 극단으로 간 점수를 이탈로 세지 않고 따로 보고한다. 목적이 규칙 준수가 아니라 인간 분포와 겹치는 것이기 때문이다.
여기가 가장 곱씹은 대목이다. 서로 다른 사람은 서로 다르게 쓴다는 것이 인간 글쓰기의 통계적 정체이고, 규칙집으로 만든 다양성은 그 정체를 재현하지 못한다. sepia는 그 한계를 알고 무작위성과 선택을 규칙 안으로 들여왔다. “한 편에 3~5개만, 작품마다 다르게"가 그 장치다. 그런데 그 장치도 결국 하나의 절차다. 절차가 만든 흩어짐이 사람의 흩어짐과 같은 모양인지는 이 저장소도 답하지 않는다.
나는 내 글에서 반복되는 어휘와 통사를 세어 금지 목록으로 만들어 두었다. 표면 층 작업이다. 이 저장소를 읽으면서 확인한 것은, 그 목록이 정확히 1.6 퍼센트포인트어치의 일이라는 것이다. LAMP 방식으로 일곱 종류 표면 결함을 전문가가 고쳤을 때 탐지율이 내려간 폭이 그만큼이다. 어휘 관성은 사유의 관성을 데려온다는 이유로 그 목록을 계속 쓸 참이지만, 그것이 기계 티를 지우는 일이라고는 더 이상 생각하지 않게 됐다.
한 가지 유보. 저장소는 하루 전에 만들어졌고 버전이 0.2.0이다. 근거로 삼은 StoryScope 자체는 6만 편 규모의 측정이지만, 그 측정을 규칙으로 옮긴 이 번역이 실제로 탐지율을 떨어뜨리는지는 저장소 어디에도 실측이 없다. 스킬을 적용한 글로 다시 분류기를 돌린 결과가 나와야 이 물음이 닫힌다.
출처
Nanako Tsai, Nanako0129/sepia (2026-08-28 공개, MIT, 스킬 버전 0.2.0)
원문: https://github.com/Nanako0129/sepia
주요 근거 문헌(저장소 research/ 정리 기준):
- StoryScope, Russell 외 2026: https://arxiv.org/abs/2604.03136
- LAMP, Chakrabarty 외 CHI 2025: https://arxiv.org/abs/2409.14509
- Measuring AI Slop, Shaib 외: https://arxiv.org/abs/2509.19163
- Reinhart 외 PNAS 2025: https://arxiv.org/abs/2410.16107
- Russell 외 ACL 2025: https://arxiv.org/abs/2501.15654
- QUDsim, COLM 2025: https://arxiv.org/abs/2504.09373
- Nonaka & Perry 2025: https://arxiv.org/abs/2510.18932
- Chakrabarty 외 2026: https://arxiv.org/abs/2510.13939
삽화는 블로그 글 「느낌적인 느낌을 숫자로 옮기는 일」의 치비 서소영 라인아트를 참조하여 gpt-image-2 image-to-image로 생성했다.