腾讯发布 WeVisForensics:基于自进化 Agent 的全模态 AI 视频检测系统,准确率高达 95.2%

面对日益逼真的 AI 生成视频(AIGC Video),传统的单模型检测方法往往难以应对多变的伪造手段。腾讯最新推出的 WeVisForensics 引入了一种创新的 Agentic(智能体) 架构,通过“主侦探 + 专业取证员”的协作模式,实现了对视觉、物理、常识、文字及音频的全模态深度检测。该系统不仅在准确率上大幅超越现有最强基线,更具备通过交互反馈自我进化的能力。

  • 项目主页:https://tencent.github.io/WeVisForensics
  • GitHub:https://github.com/Tencent/WeVisForensics
  • 模型:https://huggingface.co/tencent/WeVisForensics
腾讯发布 WeVisForensics:基于自进化 Agent 的全模态 AI 视频检测系统,准确率高达 95.2%

核心架构:按需调查与全模态覆盖

WeVisForensics 摒弃了“一刀切”的检测方式,采用分层智能体协同工作:

  1. 主 Agent (Investigator):
    • 全局概览:首先以 1 FPS 的速度浏览视频最多 16 帧的概览,建立初步认知。
    • 动态决策:根据概览信息,动态决定调用哪类子 Agent、检查哪个时间窗口,并在证据充分时立即下结论(通常在 5 步内完成)。
    • 快速进化:通过强化学习(RL)快速更新策略,学习哪些检查步骤最具价值。
  2. 取证子 Agent 库 (Inspectors):
    • 每个子 Agent 专注于一类特定的伪影或异常,以 2 FPS 解码指定时间窗,返回判断、置信度及简短报告。
    • 🎨 Visual Appearance:检查纹理瑕疵、边界模糊、闪烁及光照不一致。
    • ⚙️ Physical Consistency:分析运动规律、人体结构合理性、物体接触及材质物理属性。
    • 🧠 Common Sense:识别违背因果律、可供性(Affordance)或事件顺序的逻辑错误。
    • 🔤 OCR Consistency:检测画面中的文字扭曲、字形异常及语义不通。
    • 🗣️ Voice Profile & 📝 ASR Analysis:验证说话人身份(年龄/性别/情绪)与画面是否匹配,以及语音转写内容与时间的逻辑合理性。

技术突破:双时间尺度协同进化 (DTPO)

WeVisForensics 的核心创新在于其 DTPO (Dual-Time-scale Policy Optimization) 训练机制,实现了主从 Agent 的协同进化:

  • 主 Agent (快):通过强化学习快速更新,根据子 Agent 的反馈分配“信用”,学会在复杂视频中高效调度资源,避免无效检查。
  • 子 Agent (慢):在标注的伪影区间引导下进行慢速精炼,逐步提升对细微、隐蔽伪影的识别能力,弥补主 Agent 可能忽略的细节。

这种机制使得系统能够随着新出现的伪造技术不断自我优化,保持长期的检测有效性。

性能表现:全面领先

在多项权威基准测试中,WeVisForensics-4B 展现了卓越的性能,平均准确率达到 95.2%,比此前最强的检测器高出 9.0 个百分点。

划分基准此前最强基线 (Best Baseline)WeVisForensics提升幅度
🏠 域内GenBuster-Bench94.3%97.7%+3.4%
🌍 域外GenBuster-Bench++91.4%97.5%+6.1%
🌍 域外MintVid General82.2%88.0%+5.8%
🧩 AgenticAgenticCue79.3%97.8%+18.5%
⭐ 平均–86.2%95.2%+9.0%

注:对比基线包括 Qwen3.5-397B、Gemini-3.1-Pro 以及 BusterX++、Skyra、VideoVeritas 等顶尖多模态大模型检测器。

© 版权声明

相关文章