想象一下，你正漫步在一个繁忙的数字市场中，艺术家、摄影师和讲述者在这里分享他们的作品。多年来，这个地方充满了由真实相机拍摄的照片。但最近，一种新的魔法降临了：计算机可以绘制出如此完美的图像，以至于看起来就像现实生活一样。这些就是 AI 生成的图像。它们如此出色，以至于可以欺骗我们的眼睛，使假新闻、深度伪造（deepfakes）和数字伪造成为日常现实。这产生了一个大问题：我们如何分辨什么是真实的，什么是计算机的杰作？

为了解决这个问题，科学家们正在利用一种特殊的计算机大脑——多模态大语言模型（MLLM），构建“侦探”。把这些模型想象成超级聪明的学生，他们可以观察一张图片，并写出一篇长文来解释为什么它可能是假的。这些侦探不仅仅是给出简单的“是”或“否”的答案，他们试图通过线索进行推理，就像侦探破解谜团一样。然而，有一个难点：即使是最聪明的侦探也可能会错过那些揭示真相的微小、微妙的线索。他们可能很擅长讲述关于一张图片的故事，但不一定擅长“看到”那些揭露真相的微小裂缝、奇怪纹理或不可能存在的阴影。这篇论文正是针对这一问题：如何教导我们的数字侦探在开始撰写报告之前，先学会更好地“看”。

侦探的新眼镜：VERITAS++

遇见 VERITAS++，这是一个旨在识别 AI 生成图像的新型且改进的侦探框架。其背后的研究人员意识到，之前的 AI 侦探就像是那些能对一幅画作写出精彩论文，但视力却极差的学生。他们可以用非常具有说服力的口吻谈论“艺术风格”或“光照”，但往往会错过那些证明图像是假的微小物理瑕疵。

论文指出，要成为一名优秀的侦探，你首先需要成为一名优秀的观察者。作者发现，目前的 AI 模型在三种特定类型的“视觉”方面存在困难：

1. 细粒度细节： 遗漏微小的物体或奇怪的纹理。
2. 语义异常： 没有注意到物理上不可能出现的情况，比如一只长着六根手指的手，或者一栋门的位置不合理的建筑。
3. 像素级差异： 未能察觉到计算机尝试融合两张图像时产生的微妙、颗粒感的差异。

为了解决这个问题，团队为他们的 AI 侦探建立了一个三步走的训练营。

第一步：干净的开始（高质量冷启动）
在侦探学习解决复杂案件之前，他们需要一个干净的起点。研究人员注意到，如果让他们让 AI 自己写练习笔记，AI 有时会编造事实（幻觉），创造出并不存在的虚假线索。因此，他们手动收集了只有人类已经指出了真实线索的最佳案例。然后，他们将这些线索改写成清晰、逻辑严密的叙述格式。这为 AI 提供了一个“低幻觉”的基础，确保它从真相出发，而不是从编造的故事开始。

第二步：学习如何观察（面向感知的学习）
这是新方法的核心。研究人员不再只是问 AI，“这张图片是假的吗？”而是给它一系列具体的“视觉测试”。他们要求 AI 寻找特定的物体，检查手部看起来是否正常，或者对比两张图像以寻找微小的像素差异。

• 类比： 想象一位老师给学生考试。老师不再仅仅问，“你通过考试了吗？”（这是旧的方法），而是问，“你能在这张图片里找到红色的球吗？”或者“这个人的手臂弯曲方式对吗？”
• 结果： 只有当 AI 正确识别出这些微小细节时，它才会获得“奖励”。这迫使模型真正去观察像素和结构，而不仅仅是根据整体感觉进行猜测。论文表明，这一步骤显著弥补了差距，使 AI 在识别那些通常会欺骗它的微妙事物方面变得更加出色。

第三步：聪明的老师（价值感知在策略蒸馏）
现在 AI 已经能看得更清了，研究人员需要教它如何利用这些新眼睛来做出最终裁决。他们使用了一种称为 VaOPD（价值感知在策略蒸馏）的技术。

• 类比： 想象一位学生正在练习演讲。普通的老师可能只会针对整个演讲说“做得好”或“再试一次”。但一位优秀的老师会倾听每一个字。如果学生在某个特定的词上磕绊了，老师就会关注那个点。如果学生正确完成了整个段落，老师就会放过。
• 运作方式： AI 生成一条推理路径（一份侦探报告的草稿）。一位“特权老师”（比学生更聪明的 AI 版本）会审阅这份草稿。老师不仅仅是复制粘贴答案；它会弄清楚学生的推理中哪些部分是错误的，以及哪些部分是精彩的。然后，它会将学习重点放在错误上，特别是那些学生错过了线索的地方。这有助于 AI 更快地学习，并适应新型的伪造图像，同时不会忘记如何识别旧的伪造图像。

他们的发现

这种新训练方法的实验结果非常令人期待。当针对各种挑战进行测试时——从标准的假图像到社交媒体上的“野外”照片，甚至是从未见过的全新 AI 生成器——VERITAS++ 的表现都优于以往的方法。

• 更好的眼睛，更好的裁决： 论文指出，通过明确训练 AI 去观察细微细节和结构缺陷，关于图像是真还是假的最终决定会变得更加准确。AI 不仅仅是在变得更擅长猜测，它在变得更擅长基于它所看到的实物进行推理。
• 适应未来： 最酷的发现之一是，这种方法帮助 AI 快速学习新技巧。当研究人员向 AI 引入新型的假图像（如来自最新的 GPT-Image-2）时，该模型能够适应并提高其检测技能，而不会失去识别旧有伪造图像的能力。这表明该模型正变得更加灵活且稳健。
• 推理质量： 论文还观察了 AI 如何解释其决策。新模型提供了更多具体、有据可查的理由来支持其裁决。它不再只是说“这看起来很假，因为很奇怪”，而是可以指出“这个招牌上的文字模糊不清，字母正在融化”，或者“窗户里的倒影与房间不匹配”。

它不是什么

值得注意的是，这篇论文并没有声称什么。研究人员谨慎地表示，虽然 VERITAS++ 是一个强有力的改进，但它并不是解决一切问题的万灵药。

• 并非完美： 论文承认仍然存在“失效模式”。有时，带有奇怪光影的真实照片或具有完美背景的高质量假图像仍然可以欺骗模型。AI 可能会被“语义错觉”（看起来不可能的真实事物）或完美融入现实语境的高质量伪造品所迷惑。
• 并非即时： 论文指出，由于该模型使用了复杂的推理，它的运行速度比简单的检测器慢。它目前还不适合那些对速度要求极高的实时应用场景。
• 并非最终解决方案： 作者认为，虽然他们改进了“感知”部分的拼图，但在如何自动评估这些解释以及如何让系统更快方面，仍有大量工作要做。

简而言之，VERITAS++ 表明，如果你想让计算机成为一名优秀的侦探，你必须首先教它成为一名优秀的观察者。通过赋予 AI 更好的“眼镜”去观察数字世界中的微小裂缝，整个系统就变得更难被欺骗。这是 AI 创建者与 AI 检测者之间持续进行的猫鼠游戏中的一步进展，证明了观察细节是寻找真相的关键。