Gemini對陣ChatGPT,誰能辨出12段視頻真假?
【編者按】
生成式人工智能的出現，將人類帶入壹個機器生成內容與人類原創內容深度交織的世界。
以 Sora、Midjourney為代表的AIGC模型，展示了人類通向通用人工智能（AGI）的想象力，也讓虛假影像以前所未有的速度湧入公共空間。而人類的識別速度卻遠遠落後於造假的節奏。
在此背景下，“以AI辨AI”似乎成為壹種可行的思路：人工智能如何定義“真實”的邊界？大模型能否輔助核查員和讀者完成核查工作？
為此，“澎湃明查”發起挑戰，將ChatGPT、Gemini、DeepSeek、豆包等熱門模型請上了實驗台。
背景
2024年2月，壹段由 Sora 生成的“櫻花雪景”視頻在網絡上引發熱議。視頻中櫻花飄落的細節可謂逼真，卻被谷歌的智能模型 Gemini 1.5瞬間識破為AI作品。
這個案例帶來了啟示：我們或許可以依靠AI本身來識別AI視頻。
基於這壹思路，我們嘗試搜尋能夠直接讀取視頻文件的大語言模型。但現階段，面向公眾開放且具備視頻解析能力的商業模型仍拾分有限——包括國產大模型“豆包”、馬斯克團隊研發的Grok在內的眾多大語言模型都暫未支持視頻檢測或網頁端上傳視頻功能。經過篩選，我們最終選擇了 Gemini 2.5 Pro 和 ChatGPT-5 進行測試。
我們為兩款模型各准備了12段視頻：其中3段由不同的文生視頻模型生成，3段含有深偽（deepfake）元素，3段使用計算機生成圖像（CGI），另有3段為真實拍攝素材。針對每段視頻，我們向模型提出相同的問題：這段視頻是真實拍攝的，還是經過後期制作的？它所展示的內容是否與網傳說法壹致？
借此提問，我們不僅想探究大模型的識假、辨假能力，更想了解，大模型在劃定“真實”與“虛構”的邊界時，會采用何種視角與邏輯。
明查
真實與虛構的界線
在事實核查中，壹段真實的視頻，往往意味著它是對我們所處的物理世界的實景記錄。而凡是經由計算機技術生成的影像，即便包含高度擬真乃至還原現實的元素，本質上仍屬於虛構。
在這壹點上，大模型與核查員的認知是壹致的。當我們將壹段“游戲模擬俄戰機著陸航母”的畫面投喂給ChatGpt時，模型會告訴我們“該視頻為電腦生成影像（CGI）或後期合成制作的影像，不屬於真實世界實景拍攝”。而在識別“2024年1月日本石川縣能登半島地震畫面”時，模型則表示，“該視頻屬於真實拍攝。沒有發現AI生成、深度偽造或重大後期合成制作的跡象。”
在測試中，僅就“是否使用計算機生成圖像”這壹維度而言，Gemini 2.5 pro的表現令人驚歎。它不僅幾乎准確識別了全部12段視頻，且對於使用了不同計算機技術，如AIGC或CGI的畫面，也能進行區分。但在識別深偽視頻，如“美國女歌手泰勒·斯威夫特說中文接受訪談”的畫面時，Gemini雖能察覺到視頻經過編輯，其音頻部分有異樣，卻無法明確指出異常源自深偽技術。
[加西網正招聘多名全職sales 待遇優]
無評論不新聞，發表壹下您的意見吧
生成式人工智能的出現，將人類帶入壹個機器生成內容與人類原創內容深度交織的世界。
以 Sora、Midjourney為代表的AIGC模型，展示了人類通向通用人工智能（AGI）的想象力，也讓虛假影像以前所未有的速度湧入公共空間。而人類的識別速度卻遠遠落後於造假的節奏。
在此背景下，“以AI辨AI”似乎成為壹種可行的思路：人工智能如何定義“真實”的邊界？大模型能否輔助核查員和讀者完成核查工作？
為此，“澎湃明查”發起挑戰，將ChatGPT、Gemini、DeepSeek、豆包等熱門模型請上了實驗台。
背景
2024年2月，壹段由 Sora 生成的“櫻花雪景”視頻在網絡上引發熱議。視頻中櫻花飄落的細節可謂逼真，卻被谷歌的智能模型 Gemini 1.5瞬間識破為AI作品。
這個案例帶來了啟示：我們或許可以依靠AI本身來識別AI視頻。
基於這壹思路，我們嘗試搜尋能夠直接讀取視頻文件的大語言模型。但現階段，面向公眾開放且具備視頻解析能力的商業模型仍拾分有限——包括國產大模型“豆包”、馬斯克團隊研發的Grok在內的眾多大語言模型都暫未支持視頻檢測或網頁端上傳視頻功能。經過篩選，我們最終選擇了 Gemini 2.5 Pro 和 ChatGPT-5 進行測試。
我們為兩款模型各准備了12段視頻：其中3段由不同的文生視頻模型生成，3段含有深偽（deepfake）元素，3段使用計算機生成圖像（CGI），另有3段為真實拍攝素材。針對每段視頻，我們向模型提出相同的問題：這段視頻是真實拍攝的，還是經過後期制作的？它所展示的內容是否與網傳說法壹致？
借此提問，我們不僅想探究大模型的識假、辨假能力，更想了解，大模型在劃定“真實”與“虛構”的邊界時，會采用何種視角與邏輯。
明查
真實與虛構的界線
在事實核查中，壹段真實的視頻，往往意味著它是對我們所處的物理世界的實景記錄。而凡是經由計算機技術生成的影像，即便包含高度擬真乃至還原現實的元素，本質上仍屬於虛構。
在這壹點上，大模型與核查員的認知是壹致的。當我們將壹段“游戲模擬俄戰機著陸航母”的畫面投喂給ChatGpt時，模型會告訴我們“該視頻為電腦生成影像（CGI）或後期合成制作的影像，不屬於真實世界實景拍攝”。而在識別“2024年1月日本石川縣能登半島地震畫面”時，模型則表示，“該視頻屬於真實拍攝。沒有發現AI生成、深度偽造或重大後期合成制作的跡象。”
在測試中，僅就“是否使用計算機生成圖像”這壹維度而言，Gemini 2.5 pro的表現令人驚歎。它不僅幾乎准確識別了全部12段視頻，且對於使用了不同計算機技術，如AIGC或CGI的畫面，也能進行區分。但在識別深偽視頻，如“美國女歌手泰勒·斯威夫特說中文接受訪談”的畫面時，Gemini雖能察覺到視頻經過編輯，其音頻部分有異樣，卻無法明確指出異常源自深偽技術。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 |
推薦: