Tencent ouvre un agent qui détecte les vidéos générées avec une précision de 95,2%
Tencent a ouvert WeVisForensics, un agent d'IA qui examine une vidéo comme une équipe de six experts spécialisés : peau et ombres, physique du mouvement, bon sens, inscriptions, voix et rythme de la parole. Sur quatre tests, il identifie correctement 95,2% des vidéos en moyenne, soit 9 points de plus que le précédent leader, VideoVeritas. Chaque verdict est accompagné de timecodes : un modérateur peut donc vérifier la décision image par image. Les poids sont ouverts et une carte graphique de 24 Go suffit.
Traité par IA depuis Neurohive ; édité par Hamidun News
Les vidéos générées sont devenues si lisses que de moins en moins de gens savent les distinguer à l'œil nu, alors que plateformes et rédactions doivent trancher vite sur les vidéos à diffuser dans leurs fils. Des chercheurs de WeChat Vision (Tencent) et de Nanjing University ont publié WeVisForensics, un agent d'IA ouvert basé sur le modèle Qwen3.5-4B, qui analyse une vidéo comme le ferait une équipe de six spécialistes.
Sur quatre jeux de test (benchmarks), il identifie correctement 95,2% des vidéos en moyenne, soit 9 points de pourcentage de plus que le précédent leader, VideoVeritas. Imaginons qu'on soumette à un modérateur une vidéo d'un chat au volant, avec une enseigne déformée à l'arrière-plan : l'agent indiquera les secondes où les lettres se sont fondues les unes dans les autres et expliquera pourquoi la scène n'est pas réaliste. Cet article intéressera ceux qui construisent une modération ou une vérification de contenu : le code et les poids sont ouverts, et l'ensemble tourne sur une seule carte graphique de 24 Go.
Comment fonctionne l'équipe d'experts
Imaginez un rédacteur en chef qui reçoit une vidéo suspecte et la distribue à ses collègues. L'un examine la peau, les cheveux, les doigts, les dents, la lumière et les ombres. Le deuxième surveille la physique : le mouvement des corps, l'écoulement d'un liquide, ce qui se passe quand un objet disparaît derrière un obstacle. Le troisième juge le bon sens, par exemple un chat qui tient le volant comme le ferait un humain. Le quatrième lit les inscriptions. Deux autres outils écoutent la voix et le rythme de la parole.
Le système fonctionne exactement ainsi. L'agent principal parcourt d'abord rapidement jusqu'à 16 images prélevées à intervalles réguliers dans la vidéo, et connaît la durée du clip ainsi que la présence d'un son. Il décide ensuite pas à pas quel expert appeler, quel segment lui montrer et quand il dispose de suffisamment d'éléments pour rendre son verdict. Il peut effectuer quatre appels au maximum et ne peut pas solliciter deux fois le même expert.
Les quatre experts visuels reposent sur le même Qwen3.5-4B, mais avec leurs propres adaptateurs LoRA (de petites couches additionnelles issues d'un fine-tuning). PaddleOCR repère les inscriptions, puis l'expert examine des fragments agrandis à la recherche de lettres fusionnées ou brisées. Deux outils audio non entraînables estiment le sexe et l'âge du locuteur et détectent un rythme de parole anormalement régulier. Les experts répondent par un verdict (artefact présent, absent ou indéterminable), un niveau de confiance et une explication renvoyant à des secondes précises : la décision peut donc être revérifiée image par image. Ils ne considèrent ni le flou de mouvement, ni la compression, ni la stylisation comme des signes de génération.
Ce qui change dans l'entraînement
Les agents de détection précédents, comme ARGUS, n'entraînaient que l'agent principal, tandis que les experts restaient figés. Si un expert ne voit pas lui-même l'artefact, aucun routage ne peut y remédier. Mettre à jour les deux côtés à chaque étape n'est pas une bonne solution non plus : l'agent principal décide de ce que verront les experts, leurs réponses modifient ses décisions, et chacun devient pour l'autre une cible mouvante.
Les auteurs ont séparé les rythmes d'apprentissage et baptisé leur méthode DTPO (Dual-Timescale Policy Optimization). L'agent principal est mis à jour à chaque batch via GRPO, avec une récompense pour un verdict correct sans violation du protocole. Les experts sont réentraînés toutes les 20 étapes sur les appels accumulés.
Le professeur, une copie de l'expert mise à jour lentement, voit les images, l'étiquette et les intervalles des artefacts ; l'élève ne voit que les images et s'aligne sur les réponses du professeur. En outre, un LLM figé analyse les erreurs des experts et propose des règles du type « ne pas considérer comme un défaut des cheveux flous en raison d'un mouvement rapide ». Une règle n'est adoptée que si le nombre de verdicts corrects augmente et qu'aucun verdict correct antérieur n'est cassé.
L'entraînement complet prend environ une journée.
L'apport de chaque composant ressort de la comparaison des variantes. En n'entraînant que les experts, la précision moyenne passe de 91,3% à 92,0% ; en n'entraînant que l'agent, à 93,2% ; avec les deux, à 95,2%. Pour l'expert en physique, le F1 sur GenBuster-Bench est passé de 66,5% à 97,8%, et la part de réponses « indéterminable » est tombée de 26,9% à 0,3%. Si les experts sont mis à jour à chaque batch plutôt que toutes les 20 étapes, la précision baisse sur les six générateurs de MintVid.
Chiffres, limites et conséquences pratiques
Sur GenBuster-Bench, l'agent obtient 97,7% contre 94,3% pour VideoVeritas ; sur GenBuster-Bench++, 97,5% contre 91,4% ; sur les six générateurs de MintVid, 88,0% contre 82,2%. Les détecteurs binaires NSG-VD et ReStraV, entraînés sur les mêmes données, en sont restés au niveau du hasard : 46,4% et 51,9% sur GenBuster-Bench. Gemini-3.1-Pro détecte 99% des fausses vidéos sur GenBuster-Bench++, mais rejette aussi de vraies vidéos, ce qui ramène sa précision à 54,3%.
Sur le nouveau benchmark AgenticCue, composé de vidéos de Sora 2, Veo 3.1 et Kling 3.0, l'agent obtient 97–98,8% dans les cinq catégories d'artefacts, alors que VideoVeritas n'atteint que 69,3% sur le son. Lorsque l'agent appelle l'expert en physique, en texte, en bon sens ou en son, un artefact de ce type est effectivement présent dans la vidéo dans 94,3–99,7% des cas. Des évaluateurs humains ont comparé en aveugle 200 paires de réponses d'experts de départ et d'experts entraînés : les experts entraînés l'emportent dans 65 paires, ceux de départ dans 20, et la part de réponses erronées est passée de 30,5% à 8,0%.
Les points faibles existent aussi. Face à des générateurs commerciaux inconnus, l'agent se montre prudent : il reconnaît comme authentiques toutes les vraies vidéos de MintVid, mais ne détecte que 64,6% des fausses vidéos de Sora 2 et 67,0% de celles de Jimeng. Les outils audio ne sont pas réentraînés, faute de données audio annotées en quantité suffisante. Les auteurs préviennent que le modèle a été conçu pour la recherche et ne doit pas prendre seul de décisions importantes concernant des personnes.
Le code d'inférence, la démo et les adaptateurs LoRA sont publiés sous licence Apache 2.0. Le jeu de données ForenCue-30K et le code d'entraînement ne sont pas publiés, et AgenticCue doit être mis en ligne plus tard : l'entraînement ne peut donc pas encore être reproduit. En revanche, il est dès maintenant possible de récupérer le modèle et de l'intégrer à un pipeline de vérification de contenu. Le plus raisonnable est d'utiliser l'agent comme filtre de premier niveau avec vérification manuelle, en particulier pour les vidéos issues de nouveaux générateurs, où la précision est nettement plus basse.
- 20 nov. 2026OpenAI дала гайд по GPT-6.2 в Codex: когда включать Medium, High, Extra High и Ultra
- 20 nov. 2026Yandex 360 ouvre 7 services de sa suite bureautique aux agents IA via un serveur MCP
- 20 nov. 2026Anthropic décompose l'agent always-on en 5 blocs : file d'événements, minuteurs, mémoire
- 20 nov. 2026Un agent IA assemble le tableau de bord d'une équipe depuis Jira en une heure, contre un mois de travail pour un analyste
Questions clés sur cet article
Comment fonctionne l'équipe d'experts?
Imaginez un rédacteur en chef qui reçoit une vidéo suspecte et la distribue à ses collègues. L'un examine la peau, les cheveux, les doigts, les dents, la lumière et les ombres. Le deuxième surveille la physique : le mouvement des corps, l'écoulement d'un liquide, ce qui se passe quand un objet disparaît derrière un obstacle. Le troisième juge le bon sens, par exemple un chat qui tient le volant comme le ferait un humain. Le quatrième lit les inscriptions.
Que sait-on sur Ce qui change dans l'entraînement ?
Les agents de détection précédents, comme ARGUS, n'entraînaient que l'agent principal, tandis que les experts restaient figés. Si un expert ne voit pas lui-même l'artefact, aucun routage ne peut y remédier. Mettre à jour les deux côtés à chaque étape n'est pas une bonne solution non plus : l'agent principal décide de ce que verront les experts, leurs réponses modifient ses décisions, et chacun devient pour l'autre une cible mouvante.
Que sait-on sur Chiffres, limites et conséquences pratiques ?
Sur GenBuster-Bench, l'agent obtient 97,7% contre 94,3% pour VideoVeritas ; sur GenBuster-Bench++, 97,5% contre 91,4% ; sur les six générateurs de MintVid, 88,0% contre 82,2%. Les détecteurs binaires NSG-VD et ReStraV, entraînés sur les mêmes données, en sont restés au niveau du hasard : 46,4% et 51,9% sur GenBuster-Bench. Gemini-3.1-Pro détecte 99% des fausses vidéos sur GenBuster-Bench++, mais rejette aussi de vraies vidéos, ce qui ramène sa précision à 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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.