Skyra: AI-Generated Video Detection via Grounded Artifact Reasoning
यह शोध पत्र Skyra को प्रस्तुत करता है, जो एक विशिष्ट मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जो नए ViF-CoT-4K डेटासेट, एक दो-चरणीय प्रशिक्षण रणनीति और व्यापक ViF-Bench मूल्यांकन द्वारा समर्थित, मानव-प्रत्यक्ष दृश्य आर्टिफैक्ट्स (visual artifacts) की पहचान करके AI-जनित वीडियो का पता लगाता है और उनकी व्याख्या करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट अचानक ऐसे वीडियो से भर गया है जो इतने असली दिखते हैं कि आप यह नहीं बता सकते कि उन्हें कैमरे से फिल्माया गया है या कंप्यूटर द्वारा रचा गया है। यह वही समस्या है जिसे हल करने के लिए Skyra बनाया गया था।
Skyra को एक साधारण "हाँ/ना" बताने वाले डिटेक्टर के रूप में नहीं, बल्कि एक सुपर-पावर्ड वीडियो जासूस के रूप में सोचें, जो केवल यह अनुमान नहीं लगाता कि वीडियो नकली है, बल्कि उस विशिष्ट "ग्लिच" (खराबी) की ओर इशारा करता है जो उसे पकड़वा देता है और यह भी समझाता है कि वह ग्लिच क्यों है।
यहाँ शोध का विवरण दिया गया है, कुछ रोजमर्रा के उदाहरणों का उपयोग करते हुए:
1. समस्या: "अनकैनी वैली" (Uncanny Valley) अब और भी सुगम होती जा रही है
AI वीडियो जनरेटर (जैसे Sora, Kling, या Wan) अविश्वसनीय रूप से बेहतर हो गए हैं। वे ऐसे वीडियो बना सकते हैं जो पहली नज़र में एकदम सही दिखते हैं।
- पुराना तरीका: पिछले डिटेक्टर चेकलिस्ट वाले सुरक्षा गार्डों की तरह थे। वे "बुरे पिक्सल" या "अजीब रोशनी" की तलाश करते थे। लेकिन जैसे-जैसे AI बेहतर होता गया, वे बुरे पिक्सल गायब होने लगे। गार्ड्स भ्रमित होने लगे, अक्सर असली वीडियो को "नकली!" और नकली वीडियो को "असली!" बताने लगे।
- MLLM की समस्या: यहाँ तक कि दुनिया के सबसे स्मार्ट सामान्य AI चैटबॉट्स (AI की दुनिया के "प्रतिभाशाली") भी इस परीक्षण में विफल रहे। जब उन्हें नकली वीडियो पहचानने के लिए कहा गया, तो उन्होंने लंबे, आत्मविश्वासी निबंध लिखे कि, "रोशनी बहुत अच्छी है, व्यक्ति मुस्कुरा रहा है, इसलिए यह असली है!" वे सूक्ष्म, भौतिकी (physics) के नियमों को तोड़ने वाली गलतियों को नहीं देख पाए क्योंकि उन्हें उन्हें खोजने के लिए प्रशिक्षित नहीं किया गया था।
2. समाधान: Skyra, एक "फोरेंसिक आर्ट क्रिटिक"
Skyra एक विशेष AI मॉडल है जिसे केवल एक काम करने के लिए डिज़ाइन किया गया है: "आर्टिफैक्ट्स" (artifacts) को खोजना।
- आर्टिफैक्ट क्या है? कल्पना कीजिए कि आप एक पेंटिंग देख रहे हैं। यदि कलाकार ने छह उंगलियों वाला हाथ बनाया है, या यदि कॉफी का कप हवा में ही अचानक एक पक्षी में बदल जाता है, तो वह एक आर्टिफैक्ट है। यह एक ऐसी गलती है जो भौतिकी या सामान्य समझ के नियमों को तोड़ती है।
- Skyra कैसे काम करता है: केवल "नकली" कहने के बजाय, Skyra एक आवर्धक लेंस (magnifying glass) के साथ एक जासूस की तरह काम करता है। यह वीडियो को फ्रेम-दर-फ्रेम देखता है और कहता है:
"1.5 सेकंड पर, बारटेंडर का मेटल शेकर अचानक मक्खन की तरह पिघल गया। यह असंभव है! यह एक शेप डिस्टॉर्शन (आकार का बिगड़ना) है। साथ ही, 3.0 सेकंड पर, हवा में एक कांच का गिलास प्रकट हुआ। यह एक असामान्य वस्तु का प्रकटीकरण (Abnormal Object Appearance) है।"
3. प्रशिक्षण: जासूस को "4,000-वीडियो केस फाइल" के साथ सिखाना
आप एक जासूस को केवल अंदाज़ा लगाने के लिए कहकर नकली चीज़ों को पहचानना नहीं सिखा सकते। आपको वास्तविक मामलों की आवश्यकता होती है।
- डेटासेट (ViF-CoT-4K): शोधकर्ताओं ने 4,000 वीडियो की एक विशाल लाइब्रेरी बनाई। महत्वपूर्ण बात यह है कि उन्होंने इन्हें केवल "नकली" के रूप में लेबल नहीं किया। उन्होंने मानव विशेषज्ञों से उन्हें देखने और विस्तृत रिपोर्ट लिखने के लिए कहा कि ठीक क्या गलत था, सटीक सेकंड और स्क्रीन पर सटीक स्थान तक।
- "चेन ऑफ थॉट" (CoT): उन्होंने AI को ज़ोर से सोचने के लिए प्रशिक्षित किया। निष्कर्ष पर कूदने के बजाय, AI को यह कहने के लिए मजबूर किया जाता है, "मैं यह देख रहा हूँ, फिर मैं वह देखता हूँ, इसलिए यह नकली है।" यह उस तरह है जैसे एक मानव विशेषज्ञ तर्क करता है।
4. दो-चरणीय प्रशिक्षण: "कोल्ड स्टार्ट" और "रीइन्फोर्समेंट"
पेपर एक चतुर दो-चरणीय प्रशिक्षण प्रक्रिया का वर्णन करता है:
- चरण 1: कोल्ड स्टार्ट (SFT): उन्होंने पहले मानव-लिखित रिपोर्टों का उपयोग करके AI को बुनियादी बातें सिखाईं। यह एक नए जासूस को "नकली वीडियोओं में सामान्य गलतियों" की पाठ्यपुस्तक देने जैसा है ताकि उन्हें पता चल सके कि क्या देखना है।
- चरण 2: रीइन्फोर्समेंट लर्निंग (RL): यह "अभ्यास" का चरण है। AI का परीक्षण किया जाता है, और यदि वह कोई सुराग चूक जाता है या उसका तर्क गलत होता है, तो उसे "पेनल्टी" (दंड) मिलती है। यदि वह एक सूक्ष्म, भौतिकी को तोड़ने वाली त्रुटि खोज लेता है जिसे शायद इंसान भी न देख पाएं, तो उसे "रिवॉर्ड" (पुरस्कार) मिलता है। यह AI को एक मास्टर जासूस बनने के लिए प्रेरित करता है जो सबसे सूक्ष्म त्रुटियों को भी पकड़ सके।
5. परिणाम: प्रतिस्पर्धा को पछाड़ना
शोधकर्ताओं ने दुनिया के 10 से अधिक उन्नत AI वीडियो जनरेटर्स के वीडियो वाले एक कठिन टेस्ट सूट "ViF-Bench" के विरुद्ध Skyra का परीक्षण किया।
- परिणाम: Skyra ने केवल जीत ही नहीं हासिल की; बल्कि उसने दबदबा बनाया। जबकि अन्य डिटेक्टर (और यहाँ तक कि सबसे स्मार्ट सामान्य AI मॉडल भी) संघर्ष कर रहे थे, अक्सर रैंडम अनुमान लगाने से बेहतर प्रदर्शन नहीं कर पा रहे थे, Skyra ने बहुत उच्च सटीकता प्राप्त की।
- "क्यों": पेपर दिखाता है कि Skyra सफल होता है क्योंकि यह अंतर्निहित उल्लंघन (intrinsic violations) (ऐसी चीजें जो भौतिकी को तोड़ती हैं, जैसे किसी व्यक्ति का दीवार के माध्यम से चलना या किसी वस्तु का रंग तुरंत बदल जाना) पर ध्यान केंद्रित करता है, न कि सतही चीजों जैसे कि "क्या यह दानेदार (grainy) दिख रहा है?" पर।
सारांश
संक्षेप में, Skyra एक विशेष AI जासूस है जिसे "AI की गलतियों" की एक विशाल, मानव-एनोटेटेड लाइब्रेरी पर प्रशिक्षित किया गया है। यह केवल यह अनुमान नहीं लगाता कि वीडियो नकली है; यह वीडियो को देखता है, उस विशिष्ट क्षण को पहचानता है जहाँ भौतिकी टूट जाती है (जैसे चम्मच का पिघलना या व्यक्ति का गायब होना), और एक रिपोर्ट लिखता है जो ठीक से समझाती है कि वह क्यों जानता है कि वीडियो एक बनावट (fabrication) है। इसे उस दुनिया में "सत्यवादी" बनने के लिए डिज़ाइन किया गया है जहाँ देखना अब विश्वास करना नहीं रह गया है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।