कल्पना कीजिए कि आप एक अपराध को सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन आपके पास एकमात्र सुराग संदिग्ध की एक धुंधली, कम रिज़ॉल्यूशन वाली फोटो है। यदि आप केवल शब्दों का उपयोग करके संदिग्ध के चेहरे का वर्णन करने का प्रयास करते हैं, तो आप गलत अनुमान लगा सकते हैं, उन विशेषताओं को गढ़ सकते हैं जो वहां हैं ही नहीं, सिर्फ खाली जगहों को भरने के लिए। यह बिल्कुल वही समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे कंप्यूटर द्वारा बनाई गई नकली छवियों को पहचानने की कोशिश करते हैं। डिजिटल फॉरेंसिक की दुनिया में, "जालसाजी" (forgery) का अर्थ है कि किसी ने किसी फोटो को डिजिटल रूप से इस तरह संपादित किया है कि वह वास्तविक लगे जबकि वह वास्तव में वैसी नहीं है। लंबे समय तक, कंप्यूटर ही जासूस की भूमिका निभाते थे, लेकिन वे एक 'ब्लैक बॉक्स' की तरह थे: वे कह सकते थे कि "यह नकली है," लेकिन वे यह नहीं समझा सकते थे कि क्यों, और वे नई तरकीबों से अक्सर भ्रमित हो जाते थे।

हाल ही में, एक नए प्रकार के सुपर-स्मार्ट कंप्यूटर दिमाग को पेश किया गया है जिसे मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) कहा जाता है। इन्हें ऐसे जासूसों के रूप में समझें जो चित्र देख सकते हैं और टेक्स्ट भी पढ़ सकते हैं। वे कहानियों को समझने और दृश्यों का वर्णन करने में माहिर होते हैं। हालांकि, जब बात फोटो में सूक्ष्म, अदृश्य सुरागों को पकड़ने की आती है—जैसे कि छाया पर पड़ने वाले प्रकाश में मामूली बदलाव या पिक्सेल में अजीब पैटर्न—तो वे "हैलुसिनेट" (hallucinate) करने लगते हैं। इसका मतलब है कि वे जो देखते हैं उसके बारे में कहानियाँ बनाने लगते हैं, आत्मविश्वास के साथ नकली सबूतों का वर्णन करते हैं जो वास्तव में मौजूद नहीं हैं, क्योंकि वे एक दृश्य समस्या को शब्द-आधारित समाधान में बदलने की कोशिश कर रहे होते हैं। वे एक ऐसे जासूस की तरह हैं जो उंगलियों के निशान देखने के बजाय, संदिग्ध के व्यक्तित्व के बारे में एक लंबी, नाटकीय कहानी लिखने लगता है, जो अक्सर गलत निष्कर्ष की ओर ले जाता है।

यह पेपर एक नए जासूस ForgeryVCR को पेश करता है। कंप्यूटर को सुरागों के बारे में कहानी लिखने के लिए मजबूर करने के बजाय, ForgeryVCR कंप्यूटर को एक विशेष "फॉरेंसिक टूलबॉक्स" देता है और इसे सीधे सबूतों को देखना सिखाता है। शोधकर्ताओं ने पाया कि जब कंप्यूटर को अदृश सुरागों को दृश्य चित्रों में बदलने के लिए उपकरणों का उपयोग करने की अनुमति दी जाती है, तो वह एक बहुत बेहतर जासूस बन जाता है। उन्होंने मॉडल को अनुमान लगाने के बजाय जांच करना सिखाया, जिसे "विजुअल-सेंट्रिक रीजनिंग" (Visual-Centric Reasoning) नामक रणनीति कहा जाता है। परिणाम स्वरूप, एक ऐसा सिस्टम सामने आया है जिसे धोखा देना बहुत कठिन है, जो ठीक से पता लगा सकता है कि फोटो के साथ कहाँ छेड़छाड़ की गई है, और जो नकली कहानियाँ बनाने में विचलित नहीं होता है।

समस्या: वह जासूस जो बहुत अधिक बोलता है

कल्पना कीजिए कि आप बाड़ पर बैठी एक बिल्ली की फोटो देख रहे हैं। एक सामान्य व्यक्ति बिल्ली के बालों के किनारों या छाया के गिरने के तरीके को देखकर बता सकता है कि क्या बिल्ली को फोटोशॉप किया गया है। लेकिन एक कंप्यूटर जो "टेक्स्ट-आधारित तर्क" (text-based reasoning) पर निर्भर करता है, वह पहले बिल्ली का शब्दों में वर्णन करने की कोशिश करता है। वह कह सकता है, "बिल्ली संदिग्ध दिखती है क्योंकि इसमें एक रहस्यमय आभा है," भले ही बिल्ली पूरी तरह से असली हो। पेपर का तर्क है कि यह दृष्टिकोण त्रुटिपूर्ण है क्योंकि भाषा भाषा पिक्सेल-स्तर के उन सूक्ष्म ग्लिच (glitches) का वर्णन करने के लिए बहुत अस्पष्ट है जो एक नकली छवि को उजागर करते हैं।

लेखक बताते हैं कि वर्तमान AI मॉडल अक्सर "सिमेंटिक हॉलुसिनेशन" (semantic hallucinations) से ग्रस्त होते हैं। यह तब होता है जब AI आत्मविश्वास के साथ एक नकली क्षेत्र को वास्तविक बताता है, या इसके विपरीत, क्योंकि वह वास्तविक दृश्य डेटा के बजाय अपने भाषाई प्रशिक्षण पर निर्भर होता है। यह एक ऐसे जासूस की तरह है जो कांच पर उंगली के निशान को अनदेखा करता है और इसके बजाय अपराधी की पसंदीदा पसंद के आधार पर उसकी पहचान का अनुमान लगाता है। पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि केवल अधिक टेक्स्ट विवरण जोड़ने या "चेन-ऑफ-थॉट" (जहाँ AI शब्दों में अपने चरणों के माध्यम से बात करता है) से यह समस्या ठीक हो जाएगी। वास्तव में, उन्होंने पाया कि टेक्स्ट जोड़ने से अक्सर समस्या और खराब हो जाती है, जिससे अधिक गलतियाँ होती हैं।

समाधान: एक जादुई टूलकिट वाला जासूस

इसे ठीक करने के लिए, लेखकों ने ForgeryVCR बनाया। AI को एक कहानी लिखने के लिए कहने के बजाय, उन्होंने इसे डिजिटल उपकरणों का एक सेट दिया जो आवर्धक लेंस (magnifying glass), यूवी लाइट और फिंगरप्रिंट स्कैनर की तरह काम करते हैं। ये उपकरण हैं:

• ELA (Error Level Analysis): यह उपकरण छवि के उन क्षेत्रों को उजागर करता है जिन्हें अलग तरह से कंप्रेस किया गया है, जैसे कि एक दूसरे के ऊपर चिपकाया गया वॉलपेपर का पैच ढूंढना।
• FFT (Fast Fourier Transform): यह छवि के फ्रीक्वेंसी पैटर्न को देखता है ताकि ग्रिड जैसे आर्टिफैक्ट्स का पता लगाया जा सके जो तब दिखाई देते हैं जब किसी इमेज को रीसाइज या कॉपी किया जाता है।
• NPP (Noise Print Plus): यह छवि के "शोर" (noise) या ग्रेन की जाँच करता है ताकि यह देखा जा सके कि कैमरा सेंसर का फिंगरप्रिंट पूरी तस्वीर में सुसंगत है या नहीं।
• Zoom-In: यह AI को बिना किसी विवरण को खोए किसी विशिष्ट संदिग्ध स्थान पर करीब से देखने की अनुमति देता है।

मुख्य नवाचार विजुअल-सेंट्रिक रीजनिंग (Visual-Centric Reasoning) है। AI के "मुझे लगता है कि यह हिस्सा नकली है क्योंकि लाइटिंग अजीब है" कहने के बजाय, वह वास्तव में ELA टूल को कॉल करता है, स्क्रीन पर एक चमकीला लाल धब्बा देखता है जहाँ कंप्रेशन अलग है, और फिर कहता है, "मैं यहाँ एक लाल धब्बा देख रहा हूँ, इसलिए यह नकली है।" निर्णय इस बात पर आधारित है कि टूल क्या दिखाता है, न कि AI क्या सोचता है कि उसे क्या देखना चाहिए।

उन्होंने AI को कैसे सिखाया: "रणनीतिक टूल लर्निंग"

आप किसी जासूस को केवल एक टूलबॉक्स देकर यह उम्मीद नहीं कर सकते कि वह जानता होगा कि उसका उपयोग कब करना है। यदि वे हर फोटो पर यूवी लाइट का उपयोग करेंगे, तो वे समय बर्बाद करेंगे और भ्रमित हो जाएंगे। लेखकों ने एक विशेष प्रशिक्षण पद्धति विकसित की जिसे स्ट्रैटेजिक टूल लर्निंग (Strategic Tool Learning) कहा जाता है ताकि AI को यह सिखाया जा सके कि किस उपकरण का उपयोग कब करना है।

यह प्रशिक्षण दो चरणों में हुआ:

1. सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): उन्होंने AI को नकली और असली छवियों के कई उदाहरण दिखाए। उन्होंने एक "गेन-ड्रिवन" (gain-driven) विधि का उपयोग किया, जिसका अर्थ है कि उन्होंने AI को केवल तभी एक टूल का उपयोग करने दिया जब उस टूल ने वास्तव में उसे उत्तर खोजने में मदद की। यदि किसी टूल ने कोई नई जानकारी नहीं जोड़ी, तो AI ने उसे छोड़ना सीख लिया। इसने AI को अनावश्यक रूप से टूल का उपयोग करने से रोका।
2. रीइन्फोर्समेंट लर्निंग (RL): यह एक वीडियो गेम की तरह है जहाँ AI को सही होने पर अंक मिलते हैं और समय बर्बाद करने पर अंक कटते हैं। AI को एक "टूल यूटिलिटी रिवॉर्ड" दिया गया। यदि उसने एक टूल का उपयोग किया और नकली स्थान ढूंढ लिया, तो उसे बड़ा इनाम मिला। यदि उसने एक टूल का उपयोग किया और कुछ नहीं मिला, या यदि उसने वास्तविक छवि पर बिना आवश्यकता के टूल का उपयोग किया, तो उसे दंड मिला। समय के साथ, AI एक रणनीतिक जासूस बनना सीख गया: वह केवल तभी टूल्स को कॉल करेगा जब वास्तव में आवश्यक होगा, जिससे वह तेज़ और अधिक सटीक बनेगा।

परिणाम: स्मार्ट, तेज़ और अधिक सटीक

लेखकों ने ForgeryVCR का परीक्षण विभिन्न प्रकार की नकली छवियों पर किया, साधारण कॉपी-पेस्ट से लेकर जटिल AI-जनरेटेड संपादन तक। परिणाम प्रभावशाली थे।

• बेहतर डिटेक्शन: ForgeryVCR ने यह पता लगाने में सर्वश्रेष्ठ प्रदर्शन (State-of-the-Art) किया कि एक छवि असली है या नकली, और इसने अन्य सभी विशेष नेटवर्क और अन्य AI मॉडल को पीछे छोड़ दिया।
• बेहतर लोकलाइजेशन: इसने केवल यह नहीं बताया कि "यह नकली है"; यह उच्च सटीकता के साथ ठीक उसी नकली हिस्से के चारों ओर एक बॉक्स बना सकता था। जब उन्होंने इसे एक सेगमेंटेशन टूल (SAM2) के साथ जोड़ा, तो यह नकली वस्तु की एक सटीक रूपरेखा भी बना सका।
• कम हैलुसिनेशन: टेक्स्ट-आधारित रीजनिंग को हटाकर, मॉडल ने उन गलतियों को बहुत कम कर दिया जहाँ वह नकली सबूत गढ़ रहा था। परीक्षणों में, इसने उन त्रुटियों को लगभग 35% तक सुधारा जो टेक्स्ट-आधारित संस्करण ने की थीं।
• दक्षता (Efficiency): क्योंकि AI ने सीखा कि जब उनकी आवश्यकता न हो तो टूल्स को कैसे छोड़ना है, इसलिए इसने हर छवि का हर टूल के साथ विश्लेषण करके समय बर्बाद नहीं किया। यह एक स्मार्ट जासूस बन गया जो जानता है कि कब देखना बंद करना है।

यह क्यों महत्वपूर्ण है

यह पेपर सुझाव देता है कि सूक्ष्म, अदृश्य विवरणों का पता लगाने वाले कार्यों के लिए, कंप्यूटर को शब्दों में "सोचने" के लिए मजबूर करना एक बुरा विचार है। इसके बजाय, उसे अदृश्य डेटा को दृश्य चित्रों में बदलने के लिए उपकरण देना बहुत बेहतर काम करता है। ForgeryVCR दिखाता है कि बड़े AI मॉडलों को विशेष फॉरेंसिक उपकरणों के साथ जोड़ने और उन्हें रणनीतिक होने के लिए प्रशिक्षित करने से, हम ऐसे सिस्टम बना सकते हैं जिन्हें धोखा देना बहुत कठिन है। यह हमें उन हाइपर-रियलिस्टिक नकली छवियों के सैलाब से बचाने के लिए एक महत्वपूर्ण कदम है जो हर दिन पहचानने में कठिन होती जा रही हैं। लेखक निष्कर्ष निकालते हैं कि यह "विजुअल-सेंट्रिक" दृष्टिकोण केवल एक छोटा सुधार नहीं है, बल्कि यह डिजिटल फॉरेंसिक्स के लिए हम AI को कैसे बनाते हैं, इसमें एक आवश्यक बदलाव है।