🌈你好呀！我是 是Yu欸
🚀 感谢你的陪伴与支持~ 欢迎添加文末好友
🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*)
写在最前面
版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。
图 1 早期 AI 生成内容的典型"穿帮点"：结构异常、伪文字、跨帧形变与倒影不一致
过去，人们识别 AI 内容，常靠一些已经"出圈"的穿帮细节：招牌上的字像文字却无法读通，眼镜和耳环左右不一致，镜中倒影没有跟随主体动作，人物吃面时脸、手、餐具和食物在连续帧里彼此融合。它们一度构成了大众对生成式 AI 的典型印象。
但这一套经验正在迅速过时。高质量生成图片开始修复明显结构错误，视频模型能够维持更长的动作连续性，文本也可以通过压缩、改写和风格模仿削弱"AI 味"。当异常从肉眼可见的局部畸变，转移到频谱、噪声、帧间一致性和深层语义，内容鉴伪就不再是简单的"找茬"，而成为一个开放世界中的安全检测问题。
2026 世界人工智能大会WAIC期间，合合信息展示了面向图片、视频和文本的 AI 跨模态鉴伪能力，并上线扫描全能王 AI 鉴伪小程序。合合信息长期从事多模态文本智能技术研发，旗下产品覆盖全球 200 多个国家和地区，企业服务进入制造、银行、保险、零售、科技等近 30 个行业场景。12 对这样的产品而言，鉴伪价值不只在于识别一张生成图，更在于能否把不同介质、不同生成方式和真实业务材料纳入同一条风险判断链路。
我用小程序完成了 14 个已知 AI 正样本测试：6 张图片、2 段视频和 6 段不同文体的文本。除了常见的人像、夜景、静物和动物图片，我还增加了两张更接近诈骗与交易纠纷的模拟支付截图。测试关注的不是用少量样本包装一个"准确率"，而是观察系统在不同模态下如何组织证据、风险分数是否具有区分度，以及这些结果能否真正服务普通用户和业务审核。
本轮结果一览
图片：6 个 AI 生成样本全部检出，分数为 99.78%--100%；其中两张模拟支付截图分别为 99.99% 和 100%。
视频：两段 5.4 秒 AI 跳绳视频均检出，分数分别为 100% 和 98%，检测耗时均低于 1 秒。
文本：6 段 AI 文本均被识别为 AI 生成或疑似 AI 生成，分数为 57.62%--99.91%。系统没有把所有输入机械地判成同一个高分。
一、从肉眼找破绽，到模型寻找证据
从产品界面看，鉴伪似乎只是输出"真实"或"AI 生成"。从安全研究角度看，背后至少包含四种不同任务：整段内容是否由生成模型产生、真实素材是否被局部修改、异常发生在哪里，以及系统能否说明判断依据。
-
完全生成检测：判断整张图片、整段视频或整篇文本是否主要由生成模型产生。
-
局部篡改检测：识别真实素材中的金额、人物、背景、文档字段或文本段落是否被修改。
-
篡改定位：给出可疑像素区域、视频时间片段或文本风险段落。
-
证据解释：说明风险来自频谱伪影、噪声不一致、时序异常、语义冲突还是语言分布异常。
这四项能力不能互相替代。以支付截图为例，如果攻击者只修改金额或收款对象，大部分像素仍然来自真实界面；异常区域占比很小，整图平均特征很容易被真实区域稀释。
二、为什么鉴伪是一个开放世界问题
检测器训练时只能看到有限数量的生成模型，部署后却会不断遇到新的图像、视频和文本模型。生成内容进入社交平台后，还可能经历截图、裁剪、JPEG 压缩、滤镜、缩放、翻译、人工改写与二次转码。可以把真实输入简化为：
其中，G 是生成器，z 是生成条件，T 是传播链路中的后处理。系统最终看到的往往不是原始输出，而是已经被多次加工的内容。如果检测器只记住某一代生成器的固定"指纹"，模型一换、平台一压缩，性能就可能明显下降。
2025 年 ICLR 论文《A Sanity Check for AI-generated Image Detection》提出 AIDE，并用 Chameleon 数据集检验已有检测器的泛化能力。研究者测试 9 个现成模型时发现，几乎所有模型都会把大量高质量 AI 图片判为真实；AIDE 因而同时引入 CLIP 高层语义、最高与最低频率局部块，以及噪声、抗锯齿等低层特征。56 这项研究给出的核心提醒是：AI 图片检测的关键已经从"抓一个固定破绽"，转向在未知模型和复杂传播环境中寻找更稳定的组合证据。
三、跨模态鉴伪究竟在看什么
"跨模态"并不意味着把图片、视频和文本强行塞进同一个特征空间。三种介质的生成机制和可利用证据不同，更合理的系统形态，是为每种模态建立差异化检测路径，再在产品层统一呈现风险结果。
1. 图片：语义、频谱与局部成像一致性
高层语义关注物体结构、遮挡关系、光影方向、镜面倒影和人物姿态是否合理；低层特征则关注频率分布、噪声残差、边缘过渡、纹理重复和局部区域之间是否来自同一成像链路。生成模型越能修复明显结构错误，检测器就越需要把语义与底层统计结合起来。
2. 视频：单帧自然，不代表时间连续
视频鉴伪除了分析每一帧的空间特征，还要观察人物身份、物体边界、运动轨迹、速度变化、光照与噪声是否跨帧稳定。早期"人物吃面"视频之所以出圈，并不是某一帧单独不可看，而是脸、手、餐具和食物无法在时间轴上维持同一身份与物理关系。
3. 文本：没有物理指纹，边界更模糊
文本没有相机传感器噪声，也不存在像素频谱。检测只能从用词概率、句法结构、语义推进、重复表达和高维逻辑表征中寻找差异。短文本、翻译、删改和人工润色都会改变这些信号；同时，公文、技术文档和非母语写作本来就可能具有规则、稳定的句式。因此，文本鉴定的优秀表现不仅是"能判"，还包括对证据不足的样本给出适当的不确定性。
四、测试设计：14 个 AI 正样本，覆盖内容与业务两端
本轮测试分为三组。图片不仅包含人物、夜景、静物和动物等自然场景，还增加了两张模拟支付界面，用来观察系统能否处理自然纹理较少、文字和 UI 元素较多的屏幕截图；视频选择两段跳绳动作，强调人体、细长绳体和起落节奏的连续性；文本则覆盖科普、新闻、口语、技术、压缩改写和个人叙事六种风格。
| 模态 | 样本设计 | 重点观察 |
| 图片（6） | 人像、夜景、复杂材质、动态动物、两张模拟支付截图 | 语义结构、反射折射、纹理噪声、UI 布局与局部编辑痕迹 |
| 视频（2） | 两段 5.4 秒、832×480、15 fps 的 AI 跳绳视频 | 人体动作、绳体轨迹、帧间连续性与时空异常 |
| 文本（6） | 科普、新闻、口语、技术、压缩改写、个人叙事 | 文体、长度、改写程度与风险分数变""化 |
"如何理解页面上的"AI 可能性"
本文按产品页面原称记录检测分数。它最适合用作风险排序和复核触发信号。
在高风险业务中，分数应与来源验证、材料上下文和人工复核共同使用，而不是脱离证据链单独下结论。
五、图片实测：自然场景与复杂材质均被稳定检出
| 测试图片 | 鉴定结果 | AI 生成分数 | 耗时 |
| 人物与透明玻璃杯 | 检测到 AI 生成痕迹 | 100% | 1.524 秒 |
| 雨夜城市街景 | 检测到 AI 生成痕迹 | 100% | 2.008 秒 |
| 玻璃/金属/织物静物 | 检测到 AI 生成痕迹 | 99.78% | 1.645 秒 |
| 跃起的橘猫 | 检测到 AI 生成痕迹 | 100% | 1.571 秒 |
图 2 四类自然场景 AI 图片的鉴伪报告
四张图片分别强调人体结构、复杂反射、材质边界和动态姿态，但分数均达到 99.78% 以上。这里挑选的样本之间视觉线索差异很大：人像图有玻璃杯和背景倒影，夜景图包含大面积积水与霓虹反射，静物图同时出现透明、镜面、织物和有机表面，猫咪图则依赖毛发、关节与瞬时动作。系统在这些样本上保持稳定，说明其体验并不局限于某一种典型的 AI 画风。
合合信息的图片检测会综合利用图像语义、频谱伪影和噪声分布异常，覆盖 AI 生成、AI 编辑以及传统图片篡改等类型。23 本轮表现与这种"高层理解 + 底层痕迹"的技术路线相吻合。
六、支付截图增测：更接近真实诈骗与交易纠纷
图 3 两张模拟支付/红包界面的鉴伪结果
| 业务样本 | 鉴定结果 | AI 生成分数 | 耗时 |
| 模拟转账成功页面 | 检测到 AI 生成痕迹 | 99.99% | 0.914 秒 |
| 模拟红包与聊天页面 | 检测到 AI 生成痕迹 | 100% | 0.757 秒 |
这组结果比普通风景图更贴近日常风险。诈骗、退款纠纷和虚假交易中，攻击者不一定生成一张完整照片，更常见的做法是伪造转账成功页、红包记录、聊天截图或账单字段。此类图像具有大面积纯色背景、规则 UI、密集文字和少量图标，自然纹理和相机噪声很弱，检测重点会从"画面是否像照片"转向界面结构、文字渲染、局部编辑痕迹以及不同区域的一致性。
两张模拟界面分别获得 99.99% 和 100% 的分数，且耗时均低于 1 秒。对普通用户而言，这意味着在收到可疑转账或红包截图时，可以先完成一次低门槛核验；对银行、电商和平台审核而言，这类文档化、屏幕化图像的快速初筛，往往比识别一张艺术风格生成图更具直接业务价值。扫描全能王此前已将 AI 图片检测和图片篡改检测用于电商打假、金融凭证核验、社交媒体内容鉴伪等场景。4
七、AIDE 与 FakeShield：评价图片鉴伪的两个技术坐标
如果把图片鉴伪能力拆开看，2025 年 ICLR 的两篇论文提供了两个很有代表性的坐标。AIDE 关注"能否泛化到未知生成器"，通过高层语义与低层频率、噪声特征的组合，减少检测器对单一模型指纹的依赖；FakeShield 则关注"能否把黑盒结论变成可复核证据"，将图像真伪判断、篡改区域定位和自然语言解释放到同一框架中。57
这两条路线分别回答"面对新模型还能不能识别"和"识别之后能不能说明原因"。用它们观察本次产品体验，可以看到扫描全能王 AI 鉴伪已经在多场景分类、快速输出和文本片段标记上形成了完整闭环；未来如果进一步增加图片可疑区域热力图、视频异常时间段或更细的证据解释，审核人员将能更快完成复核。
FakeShield 的技术思路尤其适合支付截图这类局部篡改场景。若篡改区域比例为 ρ，全局特征可以近似看成真实与伪造区域的加权混合：
当 ρ 很小时，整图分数可能掩盖局部问题；因此，从分类走向定位与解释，是鉴伪产品进一步服务高风险业务的重要方向。
八、视频实测：两段跳绳视频分别得到 100% 与 98%
| 视频 | 规格 | 鉴定结果 | AI 分数 | 耗时 |
| 跳绳视频 A | 5.4 秒 / 832×480 / 15 fps | AI 生成视频 | 100% | 0.653 秒 |
| 跳绳视频 B | 5.4 秒 / 832×480 / 15 fps | AI 生成视频 | 98% | 0.706 秒 |
图 4 两段 AI 跳绳视频的鉴定报告
跳绳是观察视频鉴伪的理想动作：人体四肢、细长绳体、起跳、腾空和落地必须在连续帧中维持轨迹与因果关系。两段视频均被检出，而且报告耗时低于 1 秒。报告页面强调画面流畅度、动作与光影合理性；合合信息还有"动静结合"的视频方案，即同时分析视频时序、运动规律等动态信息，以及单帧语义和频谱伪影等静态特征。23
对线上产品而言，处理速度尤其重要。用户上传视频后无需等待复杂的离线处理，就能迅速获得风险提示，这让视频鉴伪更接近可日常使用的工具，而不是只能在专业实验室完成的取证流程。
九、文本实测：最有价值的是 57.62% 的边界样本
| 文本类型 | AI 可能性 | 检测字数 | 疑似 AI 字数 |
| 结构化科普文 | 99.83% | 363 | 359 |
| 新闻说明文 | 99.91% | 323 | 319 |
| 口语化短文 | 93.75% | 173 | 171 |
| 技术分析文 | 99.61% | 359 | 355 |
| 压缩改写短文 | 57.62% | 173 | 93 |
| 个人经历叙事 | 99.21% | 303 | 299 |
六段文本均由 AI 生成，系统全部标记为"AI 生成"或"疑似 AI 生成"。其中五段分数超过 93%，压缩改写短文则降到 57.62%，173 个检测字符中只有 93 个被标记为疑似生成。这个结果比六段全部接近 100% 更能体现检测器的区分能力。
文本结果的三个观察点
长文本中的结构化表达和连续语义模式更充分，五个样本被高置信度检出。
口语化并不会自动"洗掉"生成痕迹，173 字口语文本仍得到 93.75%。
压缩改写显著削弱检测信号，系统以"疑似"而非绝对结论呈现边界。
图 5 文本鉴定报告
为什么压缩改写会显著降低分数？
-
可用样本变少：短文本不足以稳定估计用词、句法、段落推进和重复表达等统计规律。
-
结构信号被削弱：删去对称段落、总结句和高频连接词后，文本更接近人类随手写出的摘要。
-
来源本身可能混合：真实写作可以经过 AI 润色，AI 草稿也可能被人类大幅重写，"人写"与"AI 写"并非总是互斥标签。
合合信息文本鉴定不止依赖词频和句长，还会分析语义连贯性、句法结构以及逻辑表征上的差异。2 从结果页看，系统不仅给出整篇分数，还标记疑似生成片段和字数。对于审核人员而言，这比一个孤立的"AI/非 AI"标签更便于复核。
更值得肯定的是，系统没有把短文本机械地推到 99% 以上，而是用"疑似"表达证据不足。AI 安全工具的可信度，不只来自对明显样本的高分命中，也来自能够识别边界、保留不确定性。
十、实际体验中，最打动我的四个产品细节
1. 同一个入口覆盖图片、视频和文本
用户不需要分别寻找图片检测器、视频 Deepfake 工具和文本检测网站。三种内容在同一小程序中完成上传、分析和报告生成，交互逻辑一致，降低了普通用户使用 AI 安全能力的门槛。
2. 速度足够快，适合先查再转发
本轮图片检测约为 0.757--2.008 秒，两段短视频均低于 1 秒，文本也基本在亚秒级完成。对于转账截图、社交内容和短视频，这种响应速度意味着检测可以自然嵌入"转发前、付款前、采信前"的动作，而不会成为额外负担。
3. 分数和片段让风险有层次
图片和视频提供风险分数，文本进一步标出疑似生成段落。尤其是 57.62% 的短文本边界结果，说明系统并非只会给出一个僵硬标签，而是能够表达证据强弱。
4. 测试样本与现实风险高度贴合
从人物照片、新闻视频到支付截图和聊天红包，产品覆盖的是普通用户真正可能遇到的内容，而不仅是风格夸张的生成艺术。中国金融信息网对 WAIC 展示的报道也提到，现场"AI 较真大赛"使用了人像照片、支付截图、新闻视频等高仿样本。3 这类场景导向让技术更容易转化为实际安全价值。
十一、它最适合成为内容风险的第一道关卡
对普通用户，扫描全能王 AI 鉴伪小程序适合在确认付款、转发新闻、采信截图或处理交易纠纷前提供一次快速核验；对企业和平台，它更适合作为风险审核链路的入口：
内容输入 → 自动鉴伪 → 风险分级 → 人工复核 → 业务处置
金融与保险业务可能同时收到转账截图、事故视频和文字说明，电商纠纷也常包含商品图、聊天记录和售后材料。跨模态能力的价值，不是简单支持三种文件格式，而是让不同介质进入同一套真实性风险框架。合合信息表示，其 AIGC 鉴伪技术已经在金融、保险、电商等场景落地；在部分业务中，图文鉴伪可以承担日均数十万条内容的全量核验。3
这类产品并不是为了替代人类做所有最终裁决，而是把原本依赖经验和抽样的审核过程，升级为可规模化的自动初筛。大量低风险内容快速通过，高风险材料进入人工复核，才是 AI 鉴伪最现实、也最有价值的部署方式。
结语：当"看起来像真的"不再可靠，先验证一次会成为新习惯
早期 AI 内容会败在乱码招牌、粘连的眼镜、错位的倒影和不断融化的跨帧结构；今天，生成内容的异常正在转向更隐蔽的频谱、噪声、时序和语义层面。单靠人眼经验，越来越难覆盖这些变化。
本轮 14 个 AI 正样本中，合合信息 AI 跨模态鉴伪对 6 张图片给出 99.78%--100% 的分数，对 2 段视频给出 100% 和 98%，对 6 段文本给出 57.62%--99.91%。自然照片、复杂材质、动态视频、文本改写以及支付截图都能在同一入口中完成快速核验。
从 AI 安全产品的角度看，扫描全能王 AI 鉴伪小程序的优势并不只是"识别出了几个样本"，而是把原本偏专业的多模态取证能力，压缩成普通用户可以直接使用的操作：上传内容、等待不到几秒、查看风险报告。对于越来越难以凭肉眼分辨的数字内容，这种低门槛、跨模态、可快速复核的能力，很可能会像查链接、扫二维码一样，逐渐成为日常信息判断中的基础动作。