Verus-Insight ensina detector de vídeo gerado por IA a encontrar artefatos e comprovar o veredito

Os detectores de vídeo gerado ainda explicam mal os próprios veredictos. A equipe por trás do Verus-Insight dividiu a tarefa em três habilidades distintas e treinou um modelo que não se limita a apontar a origem do vídeo: ele mostra os artefatos em que a decisão se apoia. Junto com o modelo, foi lançado o Verus-Bench, um benchmark em que os artefatos perceptíveis para humanos foram anotados manualmente, inclusive nos detalhes mais finos.

O problema é familiar para quem já tentou identificar conteúdo sintético. Os geradores de vídeo estão cada vez mais realistas, e defeitos grosseiros, como dedos que se deformam ou texturas que cintilam, aparecem com menos frequência. Os detectores atuais baseados em artefatos procuram esses vestígios e os usam como prova para determinar a origem do vídeo. A abordagem tem dois pontos fracos. O primeiro: o detector deixa passar artefatos sutis. O segundo, mais incômodo: ele pode chegar à resposta certa («isto foi gerado por tal modelo») sem nunca apontar uma evidência real. O veredito está correto, mas a justificativa é fictícia. Para moderação e investigações, uma resposta assim é quase inútil.

Três habilidades em vez de um único veredito

Os autores descrevem a detecção como um processo estruturado, formado por três capacidades complementares:

• Inspection Planning: decidir o que vale a pena examinar no vídeo — quais regiões, objetos e trechos de movimento.
• Evidence Verification: checar se o trecho escolhido realmente contém um artefato de geração, e não uma característica da filmagem, da compressão ou da edição.
• Evidence Aggregation: reunir as evidências confirmadas em uma decisão final sobre a origem do vídeo.

Essa divisão é útil porque permite avaliar cada etapa separadamente. Quando o detector erra, dá para ver onde: ele não olhou para o lugar certo, olhou e não reconheceu o artefato, ou reconheceu, mas montou o quadro de forma errada. A análise posterior mostrou que as três habilidades se complementam, mas não se reduzem umas às outras: melhorar uma delas não traz, automaticamente, ganho nas demais.

Treinamento com humano no circuito

O Verus-Insight foi treinado no esquema human-anchored full-process supervision: a anotação humana ancora em observações reais todo o processo, da escolha dos pontos de inspeção até a decisão final, e não apenas o rótulo conclusivo. Os autores também usaram progressive capability training, que reforça as habilidades por etapas. O objetivo é duplo: melhorar a busca por artefatos sutis e a precisão da classificação do vídeo como um todo.

O Verus-Bench é um valor à parte do trabalho. A maioria dos datasets de detecção traz apenas o rótulo «real ou gerado». Aqui há uma anotação detalhada dos artefatos perceptíveis, o que permite verificar se o modelo encontra o que uma pessoa vê, e não apenas se acerta a resposta.

O que os experimentos mostraram

Segundo os resultados em diferentes benchmarks, o Verus-Insight apresenta desempenho forte tanto na análise fina de artefatos quanto na detecção de vídeos gerados. O ganho é especialmente visível na recuperação de artefatos que as pessoas notam. O principal argumento dos autores é que o modelo converte com mais confiabilidade alvos de inspeção relevantes em evidências confirmadas, sem aumentar o número de alegações falsas de artefatos. Isso importa: um detector que acusa tudo obtém facilmente um recall alto e se torna inútil na prática.

Onde isso pode ser útil

Para plataformas e redações, o valor está na explicabilidade. Um moderador ou checador de fatos não precisa de um percentual de confiança, e sim de uma indicação: este é o quadro, esta é a distorção, e este é o motivo pelo qual ela indica geração. A estrutura «plano — verificação — agregação» se encaixa bem no fluxo de trabalho de um analista humano e permite repassar a ele as descobertas intermediárias.

Para quem desenvolve detectores, surge uma régua melhor do que a acurácia tradicional: o Verus-Bench permite verificar se o modelo se apoia em evidências reais ou em pistas estatísticas, como vestígios do codec. Para quem desenvolve geradores, o benchmark também serve como um mapa dos defeitos sutis que ainda são percebidos por humanos e que convém corrigir.

A limitação é evidente para toda a área: o conjunto de artefatos está atrelado à geração atual de geradores. Com novos modelos, as evidências vão mudar, e a anotação terá de ser atualizada. Mesmo assim, a abordagem em si, em que o veredito precisa ser sustentado por provas verificadas e não apenas por um rótulo correto, parece um padrão viável para a próxima geração de detectores.