Skyra: AI-Generated Video Detection via Grounded Artifact Reasoning
本文介绍了 Skyra，这是一种专门用于检测并解释 AI 生成视频的多模态大语言模型，它通过识别人类可感知的视觉伪影来实现该功能，并得到了新的 ViF-CoT-4K 数据集、两阶段训练策略以及全面的 ViF-Bench 评估的支持。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网突然被大量视频淹没，这些视频逼真到令人无法分辨它们究竟是用摄像机拍摄的，还是由计算机凭空“梦”出来的。这正是Skyra被构建出来所要解决的问题。
请将 Skyra 视为一位超级视频侦探，而不仅仅是一个简单的“是/否”检测器。它不只是猜测视频是否虚假，而是能明确指出暴露其虚假的具体“瑕疵”，并解释为何这是瑕疵。
以下是该论文如何利用日常类比进行拆解：
1. 问题所在：“恐怖谷”正变得愈发平滑
AI 视频生成器（如 Sora、Kling 或 Wan）已变得极其出色。它们能制作出乍看之下完美无瑕的视频。
- 旧方法：先前的检测器就像拿着清单的保安。它们寻找“坏像素”或“奇怪的光影”。但随着 AI 变得越来越强，那些坏像素消失了。保安们开始感到困惑，经常对真实视频喊“假！”，或对虚假视频喊“真！”。
- 多模态大模型（MLLM）的问题：即使是 AI 世界中最聪明的通用 AI 聊天机器人（“天才”们）也未能通过这项测试。当被要求识别虚假视频时，它们会写出长篇大论、充满自信的论文，声称：“光影看起来很完美，人物在微笑，所以这是真实的！”它们忽略了那些微妙且违背物理规律的错误，因为它们并未被训练去搜寻这些错误。
2. 解决方案：Skyra，这位“法医艺术评论家”
Skyra 是一个专为做一件事而设计的 AI 模型：寻找“伪影”（artifacts）。
- 什么是伪影？ 想象你在看一幅画。如果画家画了一只六指的手，或者一杯咖啡在半空中突然变成了一只鸟，那就是伪影。这是一种打破物理定律或常识的错误。
- Skyra 如何工作：Skyra 不像只说“假”那样，而是像一位拿着放大镜的侦探。它逐帧观看视频，并指出：
“在 1.5 秒处，调酒师的金属摇酒壶突然像黄油一样融化了。这不可能！这是一个形状扭曲。此外，在 3.0 秒处，一个玻璃杯凭空出现。这是一个异常物体出现。”
3. 训练：用"4000 个视频案例档案”教导侦探
你不能只让侦探猜测来教他们识别虚假，你需要真实的案例。
- 数据集（ViF-CoT-4K）：研究人员建立了一个包含 4000 个视频的庞大库。关键在于，他们不仅仅将其标记为“假”。他们让人类专家观看这些视频，并撰写详细报告，精确指出具体哪里出了问题，精确到具体的秒数和屏幕上的确切位置。
- “思维链”（CoT）：他们教导 AI 大声思考。AI 被强制要求不直接跳向结论，而是说出：“我看到了这个，然后我看到了那个，因此这是假的。”这模仿了人类专家的推理方式。
4. 两步训练法：“冷启动”与“强化”
论文描述了一种巧妙的两步训练过程：
- 第一步：冷启动（SFT）：他们首先利用人类撰写的报告向 AI 传授基础知识。这就像给新侦探一本《虚假视频常见错误》教科书，让他们知道该寻找什么。
- 第二步：强化学习（RL）：这是“练习”阶段。AI 接受测试，如果它错过了线索或推理错误，就会受到“惩罚”。如果它发现了连人类都可能忽略的、违背物理规律的微妙错误，就会获得“奖励”。这推动 AI 成为一位能发现最微小、最微妙错误的侦探大师。
5. 结果：超越竞争对手
研究人员在"ViF-Bench"上测试了 Skyra，这是一个包含来自全球 10 多个最先进 AI 视频生成器视频的艰难测试套件。
- 结果：Skyra 不仅赢了，而且大获全胜。当其他检测器（甚至最聪明的通用 AI 模型）挣扎不前、表现往往不优于随机猜测时，Skyra 实现了极高的准确率。
- 原因：论文表明，Skyra 之所以成功，是因为它专注于内在违规（即打破物理规律的现象，如一个人穿过墙壁，或一个物体瞬间变色），而不是“这个看起来是否有颗粒感？”这类表面现象。
总结
简而言之，Skyra是一位经过海量、人工标注的"AI 错误”库训练的专业 AI 侦探。它不只是猜测视频是否虚假；它会观看视频，找出物理规律被打破的具体时刻（如融化的勺子或消失的人），并撰写报告，精确解释它为何知道该视频是伪造的。它旨在成为一个“眼见不再为实”的世界中的“真相讲述者”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。