Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизОткрытые веса · В работуNeurohive→ оригинал

Tencent открыла агента, который находит сгенерированные видео с точностью 95,2%

Tencent открыла WeVisForensics — ИИ-агента, который проверяет ролик как бригада из шести узких экспертов: смотрит на кожу и тени, физику движения, здравый смысл, надписи, голос и темп речи. На четырёх тестах он в среднем верно определяет 95,2% видео, на 9 пунктов лучше прошлого лидера VideoVeritas. Каждый вердикт идёт с таймкодами, поэтому модератор может проверить решение по кадрам. Веса открыты, хватит видеокарты на 24 ГБ.

AI-обработка оригинала Neurohive; редакция Hamidun News
Tencent открыла агента, который находит сгенерированные видео с точностью 95,2%
Источник: Neurohive. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникNeurohive ↗
Главный редактор
Ключевой факт #1На новом тесте AgenticCue (Sora 2, Veo 3.1, Kling 3.0) точность 97–98,8%
Ключевой факт #2Совместное обучение дало 95,2% против 93,2% у одного обученного агента
Ключевой факт #3На MintVid подделки Sora 2 ловит в 64,6% случаев, Jimeng — в 67%

Сгенерированные видео стали такими гладкими, что на глаз их отличает всё меньше людей, а платформам и редакциям нужно быстро решать, какой ролик пускать в ленту. Исследователи WeChat Vision (Tencent) и Nanjing University выпустили WeVisForensics — открытого ИИ-агента на базе модели Qwen3.5-4B, который проверяет видео как бригада из шести специалистов.

На четырёх тестовых наборах (бенчмарках) он в среднем верно определяет 95,2% роликов — на 9 процентных пунктов больше, чем прошлый лидер VideoVeritas. Допустим, модератору прислали ролик с кошкой за рулём и кривой вывеской на заднем плане: агент укажет секунды, где буквы слиплись, и объяснит, почему сцена нереалистична. Читать об этом стоит тем, кто строит модерацию или проверку контента: код и веса открыты, а запускается всё на одной видеокарте с 24 ГБ.

Как устроена бригада экспертов

Представьте редактора, который получает подозрительный ролик и раздаёт его коллегам. Один смотрит на кожу, волосы, пальцы, зубы, свет и тени. Второй следит за физикой: как движутся тела, как течёт жидкость, что происходит, когда предмет скрывается за препятствием. Третий оценивает здравый смысл — например, кошку, которая держит руль по-человечески. Четвёртый читает надписи. Ещё два инструмента слушают голос и темп речи.

Именно так работает система. Главный агент сначала бегло просматривает до 16 кадров, равномерно взятых из видео, и знает длительность ролика и наличие звука. Затем он шаг за шагом решает, какого эксперта позвать, какой отрезок ему показать и когда данных хватает для вердикта. Вызовов не больше четырёх, повторно звать одного и того же эксперта нельзя.

Четыре визуальных эксперта работают на той же Qwen3.5-4B, но со своими LoRA-адаптерами (небольшими дообученными надстройками). Надписи находит PaddleOCR, а эксперт разглядывает увеличенные фрагменты в поисках слипшихся и сломанных букв. Два необучаемых звуковых инструмента оценивают пол и возраст говорящего и ищут неестественно ровный темп речи. Эксперты отвечают вердиктом (артефакт есть, нет или определить нельзя), уверенностью и объяснением со ссылками на секунды, поэтому решение можно перепроверить по кадрам. Смазывание при движении, сжатие и стилизацию они признаками генерации не считают.

Что нового в обучении

Прошлые агентные детекторы, например ARGUS, обучали только главного агента, а эксперты оставались замороженными. Если эксперт сам не видит артефакт, никакая маршрутизация этого не исправит. Обновлять обе стороны на каждом шаге тоже плохо: главный агент решает, что увидят эксперты, а их ответы меняют его решения, и каждый становится движущейся мишенью для другого.

Авторы развели темпы обучения и назвали метод DTPO (Dual-Timescale Policy Optimization). Главного агента обновляют на каждом батче через GRPO с наградой за верный вердикт без нарушений протокола. Экспертов дообучают раз в 20 шагов на накопленных вызовах. Учитель — медленно обновляемая копия эксперта — видит кадры, метку и интервалы артефактов, а ученик видит только кадры и подтягивается к ответам учителя. Кроме того, замороженная LLM разбирает ошибки экспертов и предлагает правила вроде «не считать дефектом волосы, смазанные при быстром движении». Правило принимают, только если верных вердиктов становится больше и ни один прежний верный вердикт не ломается. Полное обучение занимает около суток.

Вклад каждой части видно в сравнении вариантов. Если обучить только экспертов, средняя точность растёт с 91,3% до 92,0%, только агента — до 93,2%, обоих — до 95,2%. У эксперта по физике F1 на GenBuster-Bench вырос с 66,5% до 97,8%, а доля ответов «определить нельзя» упала с 26,9% до 0,3%. Если обновлять экспертов на каждом батче, а не раз в 20 шагов, точность падает на всех шести генераторах MintVid.

Цифры, ограничения и что с этим делать

На GenBuster-Bench агент набирает 97,7% против 94,3% у VideoVeritas, на GenBuster-Bench++ — 97,5% против 91,4%, на шести генераторах MintVid — 88,0% против 82,2%. Бинарные детекторы NSG-VD и ReStraV, обученные на тех же данных, остались на уровне угадывания: 46,4% и 51,9% на GenBuster-Bench. Gemini-3.1-Pro находит 99% подделок на GenBuster-Bench++, но бракует и настоящие ролики, поэтому её точность составляет 54,3%.

На новом бенчмарке AgenticCue с роликами Sora 2, Veo 3.1 и Kling 3.0 агент получает 97–98,8% во всех пяти категориях артефактов, а у VideoVeritas на звуке только 69,3%. Когда агент зовёт эксперта по физике, тексту, здравому смыслу или звуку, артефакт этого типа на видео есть в 94,3–99,7% случаев. Люди вслепую сравнили 200 пар ответов исходных и обученных экспертов: обученные лучше в 65 парах, исходные — в 20, а доля ответов с ошибками упала с 30,5% до 8,0%.

Слабые места тоже есть. На незнакомых коммерческих генераторах агент осторожен: все настоящие ролики MintVid он признаёт настоящими, зато находит лишь 64,6% подделок Sora 2 и 67,0% подделок Jimeng. Звуковые инструменты не дообучаются, потому что размеченных аудиоданных мало. Авторы предупреждают, что модель сделана для исследований и не должна сама принимать важные решения о людях.

Код инференса, демо и LoRA-адаптеры выложены под Apache 2.0. Датасет ForenCue-30K и код обучения не опубликованы, AgenticCue обещают выложить позже, так что воспроизвести обучение пока нельзя. Взять модель и встроить её в пайплайн проверки контента можно уже сейчас. Разумнее всего использовать агента как первичный фильтр с ручной проверкой, особенно для видео от новых генераторов, где точность заметно ниже.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: как устроена бригада экспертов?

Представьте редактора, который получает подозрительный ролик и раздаёт его коллегам. Один смотрит на кожу, волосы, пальцы, зубы, свет и тени. Второй следит за физикой: как движутся тела, как течёт жидкость, что происходит, когда предмет скрывается за препятствием. Третий оценивает здравый смысл — например, кошку, которая держит руль по-человечески. Четвёртый читает надписи. Ещё два инструмента слушают голос и темп речи. Именно так работает система.

Что известно по теме: что нового в обучении?

Прошлые агентные детекторы, например ARGUS, обучали только главного агента, а эксперты оставались замороженными. Если эксперт сам не видит артефакт, никакая маршрутизация этого не исправит. Обновлять обе стороны на каждом шаге тоже плохо: главный агент решает, что увидят эксперты, а их ответы меняют его решения, и каждый становится движущейся мишенью для другого. Авторы развели темпы обучения и назвали метод DTPO (Dual-Timescale Policy Optimization).

Что известно по теме: цифры, ограничения и что с этим делать?

На GenBuster-Bench агент набирает 97,7% против 94,3% у VideoVeritas, на GenBuster-Bench++ — 97,5% против 91,4%, на шести генераторах MintVid — 88,0% против 82,2%. Бинарные детекторы NSG-VD и ReStraV, обученные на тех же данных, остались на уровне угадывания: 46,4% и 51,9% на GenBuster-Bench. Gemini-3.1-Pro находит 99% подделок на GenBuster-Bench++, но бракует и настоящие ролики, поэтому её точность составляет 54,3%.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ ИИ-агенты на практике · Академия & Nomad

От чтения про ИИ-агентов — к запуску своего агента за вечер

Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.

Попробовать Академию (72ч бесплатно) →Запустить Nomad Agent
Что вы думаете?
Загружаем комментарии…