DF26：当AI视频已经骗过人类与检测器

2026年9月10日阅读约 3 分钟

导语

“看起来像真的”正在从一种主观感受，变成深度伪造检测领域越来越难解决的技术问题。论文《DF26：我们再也无法分辨真假》提出了一个面向全合成视频的新基准，专门检验人类和现有检测器面对现代生成模型时还能否可靠识别视频来源。

测试对象更接近当前生成技术。 DF26中的合成片段由近期的文生视频和图生视频模型生成，而不是仅依赖传统的换脸、局部篡改或其他单一伪造方式。
场景聚焦公开讲话。 数据包含直面镜头的录制、官方声明和演播室访谈等单人讲话场景。这些画面通常构图稳定、动作有限，过去常被认为适合观察嘴型、表情和肢体等异常。
数据规模形成明确对照。 基准包含271段真实视频与2420段合成视频，合成内容来自七个现代视频模型。
人和机器都没有明显优势。 研究指出，人类识别表现以及当前先进深度伪造检测器的表现都接近随机水平。这意味着仅凭观看，或将样本交给现有自动检测系统，都不能稳定判断其真假。

过去的检测器往往在既有数据集上训练和测试。这样的流程能够衡量模型是否学会识别某些已知伪造痕迹，却未必能反映它面对新一代生成模型时的泛化能力。当生成器改变画面统计特征、运动方式和人物表现后，检测器可能失去原有线索；人类观察者也可能因为视频整体连贯而难以发现异常。

DF26的价值，不在于宣称所有视频都无法检测，而在于揭示评测分布与真实生成技术之间的距离。一个在旧基准上得分很高的系统，并不等于能够识别来自未见过的生成模型的视频。对安全审核、新闻核验、平台内容治理和公众媒介素养而言，这是一项需要正视的风险信号。

这项工作推动检测研究从“在固定数据集上取得高分”转向“面对生成模型分布变化仍然稳健”。未来基准需要持续纳入由新模型生成的全合成内容，并明确区分模型未见过的测试分布。同时，检测结果也不应被当作单一、绝对的真假裁决，而应与来源证明、内容上下文和多种取证信号结合使用。

当生成视频已经能够让人类和现有检测器同时接近随机猜测时，真正的挑战便不只是制造更强的分类器，而是建立能够持续适应生成技术变化的评测与验证体系。