跳到主要内容
返回时间线
arXiv来源发表:

腾讯微信视觉团队发布WeVisForensics:主调查智能体带可自进化取证子智能体,跨域检测均值95.2%

核心概要

AI生成视频检测正从一次性推理转向可调度的取证调查。此前的方法要么让单个模型一遍看完整个视频,要么在固定的专家流水线上只训练协调者,短暂或局部的伪造痕迹容易被漏掉。WeVisForensics让一个主调查智能体按需调用覆盖画面、物理一致性、常识、屏幕文字与音频的取证子智能体,并用双时间尺度策略优化DTPO让调查策略与子智能体能力共同进化;在域内、域外与智能体基准上平均检测准确率为95.2%,比最强先前检测器高9.0%,判定同时落在具体时间区间的证据上。

Source-provided article image: WeVisForensics: Self-Evolving Agent for Omni AI-Generated Video Detection
arXiv

深度剖析

AI生成视频检测被组织成一场可调度的取证调查:主调查智能体决定查哪类痕迹、查哪个时间窗、何时收尾,而不是由一个模型对整段视频给出一次性判断。 此前的思维链式检测器一遍覆盖所有痕迹类型,短暂区间或小区域内的异常容易被漏掉或被编造的理由解释过去;固定专家流水线或只训练协调者的方案则受限于冻结子智能体的局部准确率。 在域内GenBuster-Bench上达到97.7%,比VideoVeritas高3.4%、比ARGUS高11.3%;在域外GenBuster++上为97.5%,在六个生成器类别的MintVid均值为88.0%。

系统由共享Qwen3.5-4B骨干上的一个主智能体和取证子智能体库组成,子智能体分别检查外观、物理一致性、常识、屏幕文字,并在有音轨时分析语音。 每次检查只针对一个取证视角返回判定、置信度和带时间戳的解释,因此每条证据可以单独审计、监督和计分,而不是纠缠在一段自由文本推理里。 外观、物理、常识三个窗口检查按2 FPS读取所请求区间的帧,OCR检查在指定时间戳的单帧上先定位文字再放大裁剪判断字形,音频工具在整条音轨上做说话人画像与语音转写分析。

DTPO用两个时间尺度闭合回路:主智能体的检查策略在每个 rollout 批次上快速更新,子智能体则从主智能体实际发出的调用中积累样本、较慢地精炼权重与报告规则卡。 若两层同时更新,彼此都成为移动目标;只优化调查策略也无法直接提升固定专家的取证能力。 消融显示仅用GRPO在冻结子智能体库上平均提升有限,加入子智能体慢速进化后平均再升1.6%,再叠加调用级信用信号后达到95.2%的最佳总平均,比SFT高3.9%。

配套构建了按取证角色分解监督的ForenCue-30K数据集与同时考察判定和工具调用的AgenticCue基准。 既有取证视频数据集只给单个检测器一个判定或整体理由,既不提供角色专属证据,也不提供协调子智能体的交互轨迹;既有基准只评最终判定。 ForenCue-30K含117,552条角色专属记录、33,896条交互轨迹和7,500行强化学习池;AgenticCue五个类别各500段生成视频,共用500段真实视频,且不与训练集重叠。

启示与展望

演示范围是AI生成视频的真伪判定与证据定位,覆盖域内GenBuster-Bench、域外GenBuster++与MintVid,以及按视觉、物理、OCR、常识、音频五类组织的AgenticCue;音频工具与PaddleOCR检测器在训练中保持固定,只有四个视觉检查器和主智能体被训练。

子智能体证据的提升由配对人工评审支持,评审在200对样本上更偏好进化后的回答(65对20),带缺陷回答比例从30.5%降到8.0%;这些结论限于所报告的基准与评审设置,源文本未给出跨生成器长期漂移下的表现。