原题:WeVisForensics: Self-Evolving Agent for Omni AI-Generated Video Detection
腾讯团队把 AI 生成视频检测当成一次调查:主智能体先看一份粗略的概览帧,每一步决定调用哪类检查员、看哪个时间窗口、什么时候下结论;检查员分别负责画面质感、物理一致性、常识、画面文字和音轨(说话人画像、语音转写)。训练用论文提出的双时间尺度策略优化 DTPO:主智能体用强化学习快速更新,检查员按标注好的伪影区间慢速改进,并配了约 3 万条的 ForenCue-30K 数据。论文称在域内、域外和智能体三类基准上平均检测准确率 95.2%,比此前最强的检测器高 9.0 个百分点。
为什么重要 现有检测器多是一次性看完给结论;它会挑可疑时段细查并给出证据,权重和推理代码都放出,单卡可跑
点赞 49 · 代码星数 45
理由
- README 的分基准对比:GenBuster-Bench 97.7、GenBuster-Bench++ 97.5、MintVid General 88.0、AgenticCue 97.8,对比对象包括 Qwen3.5-397B、Gemini-3.1-Pro 和 BusterX++、VideoVeritas 等专用检测器
- 评测覆盖海螺、即梦、可灵、Seedance、Sora2、Wan2.5 生成的视频,检查员会返回结论、置信度和一段看到了什么的说明,便于人工复核
- 代码 Apache-2.0;权重为基于 Qwen3.5-4B 的 4B LoRA(抱脸 tencent/WeVisForensics),另有 Gradio 演示
用法
- 代码:https://github.com/Tencent/WeVisForensics;权重:https://huggingface.co/tencent/WeVisForensics;项目页:https://tencent.github.io/WeVisForensics
- 安装:conda 建 Python 3.10 环境,装 ffmpeg,pip install -r requirements.txt && pip install -e .
- 单卡:serve_lora.sh 用一个 vLLM 进程挂 Qwen3.5-4B 并切换各角色 LoRA(README 称 24 GB 显卡即可),再 python scripts/infer.py <视频> --config configs/lora_single_server.json --main-backend http;多卡可每个检查员单独起 vLLM;不用 vLLM 时 demo/app.py 起 Gradio 网页
风险
- README 的待办里「抱脸上的模型权重」和 AgenticCue 基准仍未勾选,但抱脸仓库已能访问,以实际文件为准
- 准确率是作者在自家和公开基准上的结果,对没见过的新生成模型能否保持未知;主智能体看的是 1 FPS、最多 16 帧的概览,Gradio 演示一次最多分析 16 秒片段。本条未运行