原题:WeVisForensics: Self-Evolving Agent for Omni AI-Generated Video Detection
腾讯チームはAI生成動画の検出を一つの調査として捉えている。メインエージェントはまず粗い概覧フレームを確認し、各ステップでどの種類の検査員を呼び出すか、どの時間ウィンドウを見るか、いつ結論を出すかを決定する。検査員はそれぞれ画質、物理的一貫性、常識、画面内のテキスト、音声トラック(話者プロファイル、音声転写)を担当する。訓練には論文で提案された二重時間スケール戦略最適化DTPOを使用する。メインエージェントは強化学習により迅速に更新され、検査員はアノテーション付きのアーティファクト区間に基づいてゆっくりと改善される。また、約 3 万件の ForenCue-30K データが用意されている。論文によると、ドメイン内、ドメイン外、エージェントの3種類のベンチマークにおける平均検出精度は 95.2% であり、従来の最強検出器より 9.0 ポイント高い。
なぜ重要か 既存の検出器の多くは一度見て結論を出すだけだが、この手法は疑わしい時間帯を選んで詳細に調査し、証拠を提示する。重みと推論コードは公開されており、単一GPUで実行可能
いいね 49 · コードスター数 45
理由
- READMEのベンチマーク別比較:GenBuster-Bench 97.7、GenBuster-Bench++ 97.5、MintVid General 88.0、AgenticCue 97.8。比較対象にはQwen3.5-397B、Gemini-3.1-Pro、BusterX++、VideoVeritasなどの専用検出器が含まれる
- 評価はHailuo、Jimeng、Kling、Seedance、Sora2、Wan2.5で生成された動画をカバーしている。検査員は結論、信頼度、および何を確認したかについての説明を返し、人手による検証を容易にする
- コードはApache-2.0ライセンス。重みはQwen3.5-4Bに基づく 4B LoRA(Hugging Faceのtencent/WeVisForensics)で、Gradioデモも用意されている
使い方
- コード:https://github.com/Tencent/WeVisForensics;权重:https://huggingface.co/tencent/WeVisForensics;项目页:https://tencent.github.io/WeVisForensics
- インストール:condaでPython 3.10 環境を作成し、ffmpegをインストール後、pip install -r requirements.txt && pip install -e . を実行
- 単一GPU:serve_lora.shで1つのvLLMプロセスにQwen3.5-4Bをロードし、各ロールのLoRAを切り替える(READMEでは 24 GBのGPUで十分と記載)。その後、python scripts/infer.py <動画> --config configs/lora_single_server.json --main-backend http を実行。複数GPUの場合は各検査員ごとに個別のvLLMを起動可能。vLLMを使用しない場合はdemo/app.pyでGradioウェブを起動
リスク
- READMEのTODOリストでは「Hugging Face上のモデル重み」とAgenticCueベンチマークがまだチェックされていないが、Hugging Faceリポジトリはアクセス可能であり、実際のファイルが基準となる
- 精度は著者らが独自および公開ベンチマークで得た結果であり、見たことのない新しい生成モデルに対して維持できるかは不明。メインエージェントが見るのは 1 FPS、最大 16 フレームの概覧であり、Gradioデモでは一度に最大 16 秒のクリップを分析する。本項目は実行されていない
開く · コード · Hugging Face論文ページ