Herramienta web para detectar, analizar y visualizar caracteres Unicode invisibles en texto. Estos caracteres sin representación visual suelen ser insertados inadvertidamente por modelos de IA durante la generación de texto y pueden causar problemas en ciertos contextos.
Los modelos de IA como GPT, Claude, Llama y otros suelen insertar caracteres invisibles en sus respuestas por varias razones:
-
Procesamiento interno: Los modelos procesan texto en unidades llamadas "tokens". Al convertir estos tokens de vuelta a texto, a veces se introducen caracteres invisibles como artefactos del proceso.
-
Tokenización multisistema: Para manejar diferentes idiomas y sistemas de escritura, los modelos utilizan marcadores de dirección (RTL/LTR) que pueden quedar en el texto final.
-
Formateo de texto: Al generar texto con formato específico (código, tablas, listas), pueden usar caracteres invisibles para controlar la disposición.
-
Control del flujo de texto: Para evitar que ciertas palabras se rompan o para mantener formatos específicos, los modelos pueden usar caracteres como ZWSP (Zero Width Space).
- U+202F (Narrow No-Break Space): Reportado en modelos o3 y o4-mini de OpenAI (abril 2025)
- OpenAI indicó que fue un bug de aprendizaje por refuerzo, posiblemente corregido
- La herramienta ahora lo detecta y documenta
- 30+ caracteres detectables: Añadidos espacios Unicode tipográficos y variantes de selección
- 🔬 Análisis estadístico avanzado: Densidad, clustering, periodicidad y distribución
- 🤖 Evaluación de contenido automatizado: Heurísticas para estimar probabilidad de generación por IA (con disclaimers apropiados)
- 🧹 Modo de limpieza automática: Elimina caracteres invisibles preservando emojis
- 📊 Exportación multi-formato: TXT, JSON y CSV
- ⚡ Optimización de rendimiento: Búsqueda O(1) con Map y caché de análisis
- 📈 Visualización mejorada: Estadísticas detalladas y análisis de patrones
- 🗺️ Heatmap interactivo: Mapa de calor visual que muestra la distribución de caracteres a lo largo del texto (clickeable para navegar)
- ✅ Detección de 30+ tipos diferentes de caracteres Unicode invisibles
- ✅ Editor de texto con numeración de líneas y contadores en tiempo real
- ✅ Análisis estadístico de patrones (densidad, clustering, periodicidad)
- ✅ Evaluación heurística de probabilidad de automatización
- ✅ Visualización precisa de posiciones con navegación interactiva
- ✅ Modo de limpieza automática de caracteres invisibles
- ✅ Exportación de informes en múltiples formatos (TXT, JSON, CSV)
- ✅ Caché de análisis para mejor rendimiento
- ✅ Documentación completa con notas sobre cada carácter
- ✅ Interfaz minimalista inspirada en bloc de notas clásico
- Copie y pegue el texto que desea analizar en el área de texto
- Haga clic en "Comprobar caracteres invisibles"
- Examine los resultados detallados y la vista previa con caracteres resaltados
- Utilice los botones de navegación para saltar a posiciones específicas
- Descargue o copie el informe completo si es necesario
¿Quieres probar la herramienta pero no tienes texto con caracteres invisibles? Consulta el archivo demo-text.md que contiene 10 ejemplos de texto con diferentes tipos de caracteres invisibles insertados:
- Ejemplo con Zero Width Space (U+200B)
- Ejemplo con Narrow No-Break Space (U+202F) de modelos o3/o4-mini
- Ejemplo con Soft Hyphen (U+00AD)
- Ejemplos con marcas direccionales
- Y más combinaciones realistas
Solo copia cualquier ejemplo y pégalo en el detector para ver cómo funciona.
| Código | Nombre | Prioridad | Descripción | Notas |
|---|---|---|---|---|
| U+202F | Narrow No-Break Space | Alta | Espacio estrecho no separable | NUEVO: Reportado en o3/o4-mini (abril 2025). OpenAI indicó que fue un bug de RL |
| U+200B | Zero Width Space | Alta | Espacio de ancho cero | Muy común en todos los LLMs |
| U+00A0 | No-Break Space | Alta | Espacio no separable | NUEVO: Común en tipografía correcta |
| U+FEFF | Zero Width No-Break Space (BOM) | Alta | Byte Order Mark | Común en problemas de codificación |
| U+202E | Right-to-Left Override | Alta | Fuerza dirección RTL | Usado en ataques de spoofing |
| U+202D | Left-to-Right Override | Alta | Fuerza dirección LTR | Potencial uso en seguridad |
| Código | Nombre | Descripción | Más información |
|---|---|---|---|
| U+200B | Zero Width Space | Espacio de ancho cero. Indica posible división de palabras sin mostrar un espacio visible. | Wikipedia |
| U+200C | Zero Width Non-Joiner | Previene la ligadura entre caracteres que normalmente se unirían. | Unicode.org |
| U+200D | Zero Width Joiner | Causa la unión de caracteres que normalmente no se ligarían. Usado en emojis compuestos. | Unicode.org |
| U+FEFF | Zero Width No-Break Space | También conocido como BOM (Byte Order Mark). Indica orden de bytes en codificaciones. | Wikipedia |
| U+2060 | Word Joiner | Similar al ZWSP pero no indica división de palabras. Previene saltos entre palabras. | Unicode.org |
| U+180E | Mongolian Vowel Separator | Separa vocales en escritura mongola tradicional. | Unicode.org |
| U+200E | Left-to-Right Mark | Fuerza dirección de izquierda a derecha para el texto siguiente. | Wikipedia |
| U+200F | Right-to-Left Mark | Fuerza dirección de derecha a izquierda para el texto siguiente. | Wikipedia |
| U+202A | Left-to-Right Embedding | Establece un nuevo nivel de incrustación con dirección LTR. | Unicode.org |
| U+202B | Right-to-Left Embedding | Establece un nuevo nivel de incrustación con dirección RTL. | Unicode.org |
| U+202C | Pop Directional Formatting | Finaliza el último nivel de formato direccional. | Unicode.org |
| U+202D | Left-to-Right Override | Fuerza toda la secuencia siguiente a ser tratada como LTR. | Unicode.org |
| U+202E | Right-to-Left Override | Fuerza toda la secuencia siguiente a ser tratada como RTL. | Unicode.org |
| U+2061 | Function Application | Símbolo matemático invisible que representa la aplicación de funciones. | Unicode.org |
| U+2062 | Invisible Times | Representa una multiplicación invisible en notación matemática. | Unicode.org |
| U+2063 | Invisible Separator | Separador invisible usado en notación matemática. | Unicode.org |
| U+2064 | Invisible Plus | Representa una suma invisible en notación matemática. | Unicode.org |
| U+034F | Combining Grapheme Joiner | Une grafemas o unidades visuales en escrituras complejas. | Unicode.org |
| U+061C | Arabic Letter Mark | Controla el comportamiento de texto árabe en entornos bidireccionales. | Unicode.org |
| U+00AD | Soft Hyphen | Guión invisible que solo aparece cuando una palabra debe cortarse al final de línea. | Wikipedia |
| U+2009 | Thin Space | Espacio fino, más estrecho que un espacio normal pero visible. Usado en tipografía para separación precisa. | Unicode.org |
| U+00A0 | No-Break Space | Espacio no separable estándar. Muy común en texto bien formateado. | Wikipedia |
| U+202F | Narrow No-Break Space | Espacio estrecho no separable. Reportado en o3/o4-mini (2025). | Unicode.org |
| U+3000 | Ideographic Space | Espacio de ancho completo usado en texto CJK (Chino, Japonés, Coreano). | Unicode.org |
| U+FE0F | Variation Selector-16 | Selecciona variante emoji. Común y generalmente legítimo. | Unicode.org |
| ... | ... | Y más espacios tipográficos Unicode | ... |
Total: 30+ caracteres detectables organizados por categorías (zero-width, space, directional, mathematical, etc.)
Este proyecto está implementado utilizando:
- HTML5 para la estructura
- CSS3 para estilos minimalistas en blanco y negro
- JavaScript vanilla para toda la lógica de detección y manipulación
La arquitectura del código sigue un enfoque modular con clara separación de:
- Interfaz de usuario y componentes visuales
- Lógica de detección y análisis de caracteres
- Generación de informes y exportación
- Clone este repositorio:
git clone https://github.com/686f6c61/ai-unicode-detector.git- Abra
index.htmlen su navegador para comenzar a usar la aplicación.
No se requieren dependencias externas ni pasos de compilación.
- Desarrollo de software: Identificar caracteres invisibles en código que pueden causar errores difíciles de depurar
- Procesamiento de texto: Limpiar textos generados por IA antes de usarlos en entornos sensibles
- Seguridad: Detectar posibles marcas invisibles en textos que podrían indicar su origen
- Compatibilidad: Verificar textos antes de insertarlos en sistemas con limitaciones de caracteres
- Análisis de IA: Estudiar patrones de inserción de caracteres en diferentes modelos de IA
La detección de caracteres invisibles puede ayudar a identificar contenido generado por IA, pero no es concluyente por sí misma. Otros factores como patrones lingüísticos, estructura del texto y contexto deben considerarse para un análisis completo.
En abril de 2025, la startup Rumi descubrió que los modelos o3 y o4-mini de OpenAI estaban insertando sistemáticamente el carácter U+202F (Narrow No-Break Space) en respuestas largas.
Cronología:
- Descubrimiento: Abril 2025 por Rumi
- Patrón: Principalmente en respuestas largas
- Modelos afectados: o3, o4-mini
- Modelos NO afectados: GPT-4o, o1
Respuesta oficial de OpenAI: OpenAI contactó a Rumi indicando que los caracteres NO son una marca de agua intencional, sino "una peculiaridad del aprendizaje por refuerzo a gran escala" (RL quirk).
Estado actual: En pruebas recientes, el carácter ya no aparece, sugiriendo que fue corregido.
Implicaciones:
- Fácilmente removible (simple find/replace)
- No es un watermark confiable
- Ilustra que los caracteres invisibles pueden ser bugs no intencionales
- Los modelos cambian constantemente
- Los caracteres pueden venir del post-procesamiento
- Factores externos (navegador, clipboard, OS) pueden introducirlos
- Texto humano también puede contenerlos (editores, tipografía)
✅ Lo que SÍ se puede hacer:
- Detectar presencia de caracteres invisibles
- Analizar patrones estadísticos (densidad, clustering)
- Identificar anomalías que sugieren automatización
- Limpiar texto antes de uso en sistemas sensibles
- Procesamiento por chunks para textos muy grandes (Web Workers)
-
Visualización con heatmap de distribución✅ Implementado en v0.3.0 - Detección de más variantes de espacios Unicode
- Análisis de entropía para detección de steganografía
- Modo de comparación entre múltiples textos
- Exportación a más formatos (Markdown, HTML)
- API REST para integración con otras herramientas
- Atajos de teclado para acciones principales
- Modo oscuro/claro
Este proyecto está licenciado bajo la Licencia MIT. Consulte el archivo LICENSE para más detalles.
Estos artículos refuerzan la importancia de detectar caracteres Unicode invisibles en texto generado por IA y sus implicaciones de seguridad:
-
AI chatbots can read and write invisible text, creating an ideal covert channel - Ars Technica documenta cómo los LLMs pueden interpretar y generar caracteres invisibles del bloque Tags Unicode, creando canales encubiertos para exfiltrar información sensible.
-
The Invisible Threat: How Zero-Width Unicode Characters Can Silently Backdoor Your AI-Generated Code - Análisis sobre cómo caracteres invisibles pueden introducir backdoors en código generado por IA.
-
Phishing attack hides JavaScript using invisible Unicode trick - BleepingComputer reporta ataques de phishing en enero 2025 que utilizan caracteres Hangul invisibles (U+FFA0, U+3164) para ofuscar JavaScript malicioso.
-
Invisible Prompt Injection: A Threat to AI Security - Trend Micro explica cómo atacantes usan caracteres invisibles para manipular respuestas de LLMs de forma encubierta.
-
New ChatGPT models seem to leave watermarks on text - Rumi descubre que modelos o3/o4-mini insertan U+202F sistemáticamente. OpenAI confirmó que es un bug de RL, no una marca de agua intencional.
-
OpenAI's New o3/o4-mini Models Add Invisible Characters to Text, Sparking Watermark Debate - WinBuzzer analiza el debate sobre si los caracteres invisibles son marcas de agua o artefactos no intencionados.
-
Find Invisible Unicode Characters aka "AI Watermarks" - Guía técnica para detectar y analizar caracteres invisibles en texto de IA.
-
Emerging Threat: Invisible Unicode Phishing Attacks - Blackswan Cybersecurity documenta cómo atacantes usan Zero-Width Joiners y Soft Hyphens para evadir filtros de seguridad.
-
GPT-4.1 Character Encoding Issues - Discusión en la comunidad de OpenAI sobre problemas de codificación de caracteres en GPT-4.1.
- 686f6c61
- Twitter: @hex686f6c61