技术文档
取证模型术语表
Uthentic 不会把结论交给单一模型。每一次分析都会调用多个独立引擎——分别针对图片和文字——并在校准后融合它们的判断。这里说明每个引擎测量的是什么、该如何解读,因为一个脱离上下文的数字算不上证据。
图像信号
衡量一张照片本身、镜头与传感器留下的物理痕迹是否一致。
- 文件局部完整性
- 检测文件中噪点与压缩特征与其余部分不一致的区域。
- 如何解读用于区分一张完全生成的照片,与一张真实照片中被重新处理过的局部区域。它给出的单色区域图指出该看哪里,而不是断言整张图片是假的。
- 跨生成器泛化能力
- 基于通用视觉表示、不局限于单一生成器的通用合成图像检测器。
- 如何解读在面对训练时从未见过的生成器时依然可靠;但在处理压缩严重或被大幅缩放的照片时,灵敏度会下降。
- 传感器与光学痕迹
- 一类学术检测方法,测量拍摄链路留下的传感器噪声与色彩插值不一致之处。
- 如何解读信号偏高说明相机—镜头—传感器这条链路无法被还原:这既可能来自 AI 生成,也可能来自过度压缩重新导出。
- 皮肤微观纹理与逆光反应
- 读取皮肤表面的微观纹理,以及色素在环境反射光下的表现是否一致。
- 如何解读生成的皮肤常常显得过于均匀,像上了一层蜡;真实皮肤在放大后仍保持不规则的质感。
文本信号
衡量一段文字的可预测性、节奏与结构,判断它是否可能由语言模型写成。
- 词语可预测性
- 衡量一段文字中,每个词是否总是最容易被预见的那个选择。
- 如何解读语言模型倾向于选择最连贯的续写;人写的文字则更常偏离最顺畅的路径。
- 节奏均匀度
- 衡量句子长度与段落节奏的波动程度。
- 如何解读人类写作会交替使用长句与短句、插入语与转折;生成文本的节奏往往过于规整。
来源与完整性
读取文件本身携带的技术数据,以及是否留有局部修改的痕迹。
- C2PA 来源痕迹
- 文件中记录创建与编辑历史的可验证来源标准。
- 如何解读存在并不代表照片一定真实,缺失也不代表一定造假——但当它存在且完整时,是最直接的证据之一。
- EXIF 数据
- 相机在拍摄时写入文件的型号、镜头、光圈、快门与日期等信息。
- 如何解读数据缺失很常见,社交平台经常删除它;真正值得警惕的是数据之间自相矛盾。
报告中的指标
报告里出现的数值究竟衡量什么、可信到什么程度。
- AI 生成概率
- 融合多个独立引擎结果后得出的、经过校准的一个百分比。
- 如何解读只是报告的最后一行,而不是全部:它的价值取决于前面陈述的证据。
- 证据不足
- 当各项信号相互矛盾,或引擎覆盖范围不够时,报告给出的结论。
- 如何解读比一个不诚实的百分比更有用:它提示你需要更多信息,而不是被迫接受一个不可靠的数字。
基准测试
10,179 次引擎融合测试
融合方式的调整从不凭感觉。每一次权重变化都要通过一个可重复的测试集验证,共 10,179个测试,分为三类:真实照片、经过软件修改的真实照片(修图、裁剪、局部生成式填充)以及 AI 生成的图片。三类数据都会测量 ROC 曲线下面积、Brier 分数、期望校准误差和风险—覆盖率曲线。
经过软件修改的真实照片这一类,对报告的可信度最为关键:它确保一张经过后期处理的真实照片不会被判定为 AI 生成。当信号相互矛盾,或引擎覆盖不足时,报告会标注证据不足,而不是硬凑一个百分比。