Tencent libera un agente que detecta vídeos generados con una precisión del 95,2%
Tencent ha liberado WeVisForensics, un agente de IA que analiza un vídeo como un equipo de seis expertos especializados: uno examina la piel y las sombras, otro la física del movimiento, otro el sentido común, otro los textos, y los dos últimos la voz y el ritmo del habla. En cuatro pruebas acierta de media el 95,2% de los vídeos, 9 puntos más que el anterior líder, VideoVeritas. Cada veredicto incluye marcas de tiempo, de modo que un moderador puede comprobar la decisión fotograma a fotograma. Los pesos son abiertos y basta una GPU de 24 GB.
Procesado por IA desde Neurohive; editado por Hamidun News
Los vídeos generados por IA son ya tan fluidos que cada vez menos personas logran distinguirlos a simple vista, mientras que plataformas y redacciones necesitan decidir rápido qué clip publican. Investigadores de WeChat Vision (Tencent) y de la Nanjing University han lanzado WeVisForensics, un agente de IA abierto basado en el modelo Qwen3.5-4B que revisa el vídeo como un equipo de seis especialistas.
En cuatro conjuntos de prueba (benchmarks) acierta de media el 95,2% de los clips, 9 puntos porcentuales más que el anterior líder, VideoVeritas. Imaginemos que a un moderador le llega un vídeo de un gato al volante con un letrero deforme al fondo: el agente señalará los segundos en que las letras se funden y explicará por qué la escena no es realista. Es una lectura relevante para quienes construyen sistemas de moderación o verificación de contenido: el código y los pesos son abiertos y todo funciona en una sola GPU de 24 GB.
Cómo funciona el equipo de expertos
Pensemos en un editor que recibe un vídeo sospechoso y lo reparte entre sus colegas. Uno examina la piel, el pelo, los dedos, los dientes, la luz y las sombras. Otro vigila la física: cómo se mueven los cuerpos, cómo fluye un líquido, qué ocurre cuando un objeto queda oculto tras un obstáculo. Un tercero evalúa el sentido común, por ejemplo, un gato que sostiene el volante como lo haría una persona. Un cuarto lee los textos. Otras dos herramientas escuchan la voz y el ritmo del habla.
Así es exactamente como trabaja el sistema. El agente principal empieza con un repaso rápido de hasta 16 fotogramas tomados a intervalos regulares del vídeo, y conoce la duración del clip y si tiene audio. Después decide paso a paso a qué experto llamar, qué tramo mostrarle y cuándo tiene datos suficientes para emitir un veredicto. Las llamadas no pueden pasar de cuatro y no se puede consultar dos veces al mismo experto.
Los cuatro expertos visuales funcionan sobre el mismo Qwen3.5-4B, pero con sus propios adaptadores LoRA (pequeñas capas adicionales ajustadas con entrenamiento). Los textos los localiza PaddleOCR, y el experto examina los fragmentos ampliados en busca de letras fundidas o rotas. Dos herramientas de audio, que no se entrenan, estiman el sexo y la edad del hablante y buscan un ritmo de habla antinaturalmente uniforme. Los expertos responden con un veredicto (hay artefacto, no lo hay o no se puede determinar), un nivel de confianza y una explicación con referencias a segundos concretos, así que la decisión puede verificarse sobre los fotogramas. El desenfoque por movimiento, la compresión y la estilización no los consideran indicios de generación.
Qué hay de nuevo en el entrenamiento
Los detectores agénticos anteriores, como ARGUS, entrenaban solo al agente principal, mientras que los expertos permanecían congelados. Si un experto no ve el artefacto, ningún enrutamiento lo corrige. Actualizar ambas partes en cada paso tampoco funciona bien: el agente principal decide qué verán los expertos, y las respuestas de estos cambian sus decisiones, de modo que cada uno se convierte en un blanco móvil para el otro.
Los autores separaron los ritmos de entrenamiento y bautizaron el método DTPO (Dual-Timescale Policy Optimization). El agente principal se actualiza en cada batch mediante GRPO, con una recompensa por el veredicto correcto sin violaciones del protocolo. Los expertos se reentrenan una vez cada 20 pasos con las llamadas acumuladas.
El profesor, una copia del experto que se actualiza lentamente, ve los fotogramas, la etiqueta y los intervalos de los artefactos; el alumno solo ve los fotogramas y se aproxima a las respuestas del profesor. Además, un LLM congelado analiza los errores de los expertos y propone reglas como «no considerar defecto el pelo borroso por un movimiento rápido». Una regla solo se acepta si aumenta el número de veredictos correctos y no rompe ninguno de los que ya eran correctos.
El entrenamiento completo dura aproximadamente un día.
La aportación de cada pieza se aprecia al comparar variantes. Si solo se entrena a los expertos, la precisión media sube del 91,3% al 92,0%; si solo se entrena al agente, al 93,2%; si se entrena a ambos, al 95,2%. En el experto de física, el F1 en GenBuster-Bench pasó del 66,5% al 97,8%, y la proporción de respuestas «no se puede determinar» cayó del 26,9% al 0,3%. Si los expertos se actualizan en cada batch en lugar de una vez cada 20 pasos, la precisión baja en los seis generadores de MintVid.
Cifras, limitaciones y qué hacer con ellas
En GenBuster-Bench el agente logra un 97,7%, frente al 94,3% de VideoVeritas; en GenBuster-Bench++, un 97,5% frente al 91,4%; y en los seis generadores de MintVid, un 88,0% frente al 82,2%. Los detectores binarios NSG-VD y ReStraV, entrenados con los mismos datos, se quedaron al nivel del azar: 46,4% y 51,9% en GenBuster-Bench. Gemini-3.1-Pro detecta el 99% de las falsificaciones en GenBuster-Bench++, pero también rechaza vídeos reales, por lo que su precisión es del 54,3%.
En el nuevo benchmark AgenticCue, con vídeos de Sora 2, Veo 3.1 y Kling 3.0, el agente obtiene entre el 97% y el 98,8% en las cinco categorías de artefactos, mientras que VideoVeritas solo alcanza el 69,3% en audio. Cuando el agente llama al experto en física, texto, sentido común o sonido, el artefacto de ese tipo está realmente presente en el vídeo en el 94,3–99,7% de los casos. En una comparación a ciegas, evaluadores humanos revisaron 200 pares de respuestas de los expertos originales y los entrenados: los entrenados ganaron en 65 pares y los originales en 20, y la proporción de respuestas con errores cayó del 30,5% al 8,0%.
También hay puntos débiles. Ante generadores comerciales desconocidos, el agente es cauteloso: da por reales todos los vídeos auténticos de MintVid, pero solo detecta el 64,6% de las falsificaciones de Sora 2 y el 67,0% de las de Jimeng. Las herramientas de audio no se reentrenan porque hay pocos datos de audio etiquetados. Los autores advierten de que el modelo está pensado para investigación y no debe tomar por sí solo decisiones importantes sobre personas.
El código de inferencia, la demo y los adaptadores LoRA se han publicado bajo Apache 2.0. El dataset ForenCue-30K y el código de entrenamiento no se han publicado, y AgenticCue se publicará más adelante, así que por ahora no es posible reproducir el entrenamiento. Sí se puede descargar el modelo e integrarlo ya en un pipeline de verificación de contenido. Lo más sensato es usar el agente como filtro primario con revisión manual, sobre todo para vídeos de generadores nuevos, donde la precisión es notablemente menor.
- 6 nov 2026Tencent abre Hy-Nomas: un mundo de vídeo con memoria a 720p que funciona en una sola RTX 4090
- 30 oct 2026Tencent libera en código abierto la world model Hy-Nomas: 18,5 FPS en 8×B200 con historial completo
- 26 may 2026Memoria para agentes de IA: el sistema local de Tencent
- 18 jul 2026Inscribe, sobre Amazon Bedrock, detecta documentos financieros falsos en 90 segundos
Preguntas frecuentes sobre la noticia
Cómo funciona el equipo de expertos?
Pensemos en un editor que recibe un vídeo sospechoso y lo reparte entre sus colegas. Uno examina la piel, el pelo, los dedos, los dientes, la luz y las sombras. Otro vigila la física: cómo se mueven los cuerpos, cómo fluye un líquido, qué ocurre cuando un objeto queda oculto tras un obstáculo. Un tercero evalúa el sentido común, por ejemplo, un gato que sostiene el volante como lo haría una persona. Un cuarto lee los textos. Otras dos herramientas escuchan la voz y el ritmo del habla.
¿Qué se sabe sobre Qué hay de nuevo en el entrenamiento?
Los detectores agénticos anteriores, como ARGUS, entrenaban solo al agente principal, mientras que los expertos permanecían congelados. Si un experto no ve el artefacto, ningún enrutamiento lo corrige. Actualizar ambas partes en cada paso tampoco funciona bien: el agente principal decide qué verán los expertos, y las respuestas de estos cambian sus decisiones, de modo que cada uno se convierte en un blanco móvil para el otro.
¿Qué se sabe sobre Cifras, limitaciones y qué hacer con ellas?
En GenBuster-Bench el agente logra un 97,7%, frente al 94,3% de VideoVeritas; en GenBuster-Bench++, un 97,5% frente al 91,4%; y en los seis generadores de MintVid, un 88,0% frente al 82,2%. Los detectores binarios NSG-VD y ReStraV, entrenados con los mismos datos, se quedaron al nivel del azar: 46,4% y 51,9% en GenBuster-Bench. Gemini-3.1-Pro detecta el 99% de las falsificaciones en GenBuster-Bench++, pero también rechaza vídeos reales, por lo que su precisión es del 54,3%.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.