最新提交
历史
15 次提交15 次提交文件夹和文件
| 名称 | 名称 | 最后提交信息 | 最后提交日期 |
|---|---|---|---|
| 资源 | 资源 | ||
| Readme.md | Readme.md | ||
| logprob2score.py | logprob2score.py | ||
仓库文件导航
📄 技术报告 • 🌐 项目主页 • ✨ 概述 • 📊 结果 • 🎬 RRVBench • 🛠️ 快速开始 • 📚 引用
Venus-DefakerOne2：一个视觉取证基础模型
覆盖范围更广
蚂蚁集团 GuangJian 团队
CSIG 数字媒体取证与安全技术委员会
DefakerOne2 显著扩展了防御覆盖范围，涵盖 伪造形式 （数字→数字+物理）以及 媒体类型 （图像 → 图像 + 视频）维度，并在所有图像和视频取证领域持续优于其前代 DefakerOne 及现有最先进的检测器。
DefakerOne2 是一个统一的视觉取证基础模型，将AI生成内容检测、DeepFake人脸检测、文档篡改检测、自然图像篡改检测、人脸与证件防伪以及AI生成视频检测集于 一个 2B 参数模型 ——覆盖完整矩阵， {数字，物理} × {图像，视频}.
发布
- 2026-10-30: 技术报告 以及 项目主页 现已可用。
- 2026-10-29: DefakerOne2 模型权重已发布于 ModelScope；RRVBench 基准已发布于 ModelScope.
目录
概述
真实世界的伪造本质上是异质的：它不仅表现为 数字操纵 还作为 物理防伪，而且不仅由 图像 还通过 视频数字图像取证、人脸防伪、文档欺诈检测和视频取证长期以来一直在基本相互独立的社区中研究，每个社区都维护着自己的基准、假设和模型设计——尽管其根本目标完全相同：区分真实媒体与伪造媒体。
DefakerOne2 将这一由场景专用检测器拼凑而成的碎片化组合，整合为 一个可部署的基础模型该模型在约 5000 万样本 该模型整合了公开数据集、自合成数据以及人工标注的真实场景攻击样本，并采用了三项关键设计：
- 潮汐式调优。 一个三阶段调度方案，其中可训练参数预算如潮汐般涨落——LoRA → 全参数 → LoRA——从而在缓解灾难性遗忘的同时，协调计算效率、泛化能力与难样本拟合。
- 模态协同。 联合视频/帧训练，加上基于熵的测试时自适应：在推理时把每个样本路由到携带更强取证证据的模态，无需额外训练，也没有学习得到的路由模块。
- 异常放大 + 校准循环。 一个基于 DINOMAC 的辅助编码器用于细粒度线索，配合全局判断条件化的像素阈值，使单一模型同时产生图像/视频级判定和像素级定位掩码。
在以下基准上评估： 53 项检测基准 以及 14 项定位基准，DefakerOne2 在以下方面达到最先进水平： 40/53 以及 11/14 分别，并在 在全部八个取证领域均排名第一 ——即使在该领域专家自己的领域内，也从未被领域专家超越。
| 亮点 | DefakerOne（V1） | DefakerOne2（V2） |
|---|---|---|
| 图像域平均 | 80.4 | 90.9 |
| 视频域平均 | 57.6 | 95.7 |
| 物理伪造（图像） | 50.7 | 87.2 |
| 物理伪造（视频） | 50.7 | 95.8 |
| ManipulatedBench（零样本 bACC） | 48.6 | 71.7 |
| RRVBench（零样本 bACC） | 52.3 | 95.3 |
| 检测 SOTA | 10 / 53 | 40 / 53 |
| 本地化 SOTA | 1 / 14 | 11 / 14 |
能力覆盖
| 图像 | 视频 | |
|---|---|---|
| 数字 | AI生成的图像 · DeepFake人脸 · 被篡改的文档 · 被操纵的自然图像 | AI生成视频（GenBuster-ID / GenBuster-OOD / GenBuster++、LOKI、VideoPhy2、RABench、RRVBench） |
| 物理 | 人脸和证件图像的呈现攻击 · 打印攻击 · 重放攻击 · 面具攻击 | 人脸与证件视频的呈现攻击（CASIA-FASD、DLC2021、SCVD） |
除了二分类判定之外，DefakerOne2 还提供 像素级篡改定位 在文档图像和自然图像上，并输出一个 置信度分数 让每个判定都来自单个决策 token——这是真实审核流水线中进行证据呈现和基于阈值运行所需的特性。
方法
架构。 DefakerOne2 基于 Qwen3.5-2B 多模态骨干，并扩展了一个 异常放大模块（AM） 基于以下辅助编码器： DINOMAC （DINOv3-Large 经 LoRA 适配器微调并采用取证训练策略）。来自 MLLM 视觉编码器和 AM 模块的特征由卷积掩码解码器融合，用于像素级预测。检测使用固定的直接提示词—— “这张图像/视频是真实的还是伪造的？只回答 Real 或 Fake。” ——因此模型在单个输出 token 中敲定其结论， ，从而最大化推理效率与预测置信度的稳定性。1. Tide-Style 调优阶段可训练范围数据DINOMAC 噪声目的① 适应退潮LoRA 适配器（骨干冻结）初始约 1500 万轻量低成本预热；使 Qwen3.5 适应取证任务，同时保留世界知识以进行隐式语义推理② 全参数涨潮全部参数（LoRA 合并进骨干）完整约 4000 万中等释放全部参数预算，以拟合大规模异构语料③ 难样本退潮全新 Lo，从而最大化推理效率与预测置信度的稳定性。
1. Tide-Style 调优
| 阶段 | 可训练范围 | 数据 | DINOMAC 噪声 | 目的 |
|---|---|---|---|---|
| ① 适应退潮 | LoRA 适配器（骨干冻结） | 初始约 1500 万 | 轻量 | 低成本预热；使 Qwen3.5 适应取证任务，同时保留世界知识以进行隐式语义推理 |
| ② 全参数涨潮 | 全部参数（LoRA 已合并进骨干） | 完整约 4000 万 | 中等 | 释放全部参数预算，以拟合大规模异构语料 |
| ③ 难样本退潮 | 全新 LoRA 适配器（骨干冻结） | 完整 + 新增 / 困难 ~40M | 重 | 充当隐式正则化器；以较低的持续训练成本将模型引导至困难和新增收集的样本 |
逐步增强的对抗噪声会抑制模型对过于简单样本的记忆，并提升鲁棒性。消融实验（报告表 20）：
| 设置 | 全LoRA | 全参数（LoRA 已合并进骨干）完整约 4000 万中等释放全部参数预算，以拟合大规模异构语料③ 难样本退潮全新 LoRA 适配器（骨干冻结）完整 + 新增 / 困难 ~40M重充当隐式正则化器；以较低的持续训练成本将模型引导至困难和新增收集的样本逐步增强的对抗噪声会抑制模型对过于简单样本的记忆，并提升鲁棒性。消融实验（报告表 20）：设置全LoRA | 我们的（阶段 1） | 我们的（阶段 2） | 我们的（阶段 3） |
|---|---|---|---|---|---|
| 图像平均 | 87.3 | 87.8 | 84.6 | 88.4 | 90.9 |
| 视频平均 | 93.6 | 93.0 | 91.8 | 94.2 | 95.7 |
两种静态参数化都不占主导——瓶颈不在于 可训练参数的数量，而在于这些参数被释放的调度方式。 的可训练参数数量，而在于这些参数被释放的调度方式。 调度方式 并据此释放这些参数。
2. 模态协同
哪种模态携带更强的证据是 依赖于样本且事先未知：一些伪造集中在单帧纹理上（过度平滑、边界伪影），另一些则集中在时序动态上（闪烁、运动不一致、帧间连续性被破坏）。
- 联合模态训练。 每个视频都同时以两种模态呈现——原始片段和一个 Ada-FPS 帧序列——对每一路施加独立的检测损失，并反向传播到共享骨干网络：
L = ℓ(p_vid, y) + ℓ(p_img, y)Ada-FPS 在长尾视频源之间均衡帧预算（默认f₀ = 1 FPS，上限为f_max = 10 FPS). - 基于熵的测试时自适应。 两条通路都会产生带有置信度的预测；香农熵衡量确定性，并采用更确定的那一模态：，。推理时丢弃每个片段首尾各10%的内容，并用Ada-FPS对中间80%进行采样。消融实验（表21，相同权重，十项视频基准）：通路仅帧仅视频熵路由平均准确率91.693.595.9选择比例50.0%50.0%—两条通路是互补的，而非有先后顺序——帧在RABench（98.2对87.4）和RRVBench（97.6对85.2）上胜出，视频在SCVD（95.1对71.9）和GenBuster++（88
H_m = −c_m log c_m − (1−c_m) log(1−c_m)衡量确定性，并采用更确定的模态：ŷ = ŷ_{m*},m* = argmin_m H_m在推理时，每个片段的首尾各10%会被丢弃，中间80%则用Ada-FPS进行采样。
消融实验（表21，相同权重，十项视频基准）：
| 通路 | 仅帧 | 仅视频 | 熵路由 |
|---|---|---|---|
| 平均准确率 | 91.6 | 93.5 | 95.9 |
| 选择比例 | 50.0% | 50.0% | — |
这两条通路是互补的，而非有先后顺序——帧通路在 RABench（98.2 对 87.4）和 RRVBench（97.6 对 85.2）上胜出，视频通路在 SCVD（95.1 对 71.9）和 GenBuster++（88.4 对 72.2）上胜出。在四项基准上，路由预测器 超过两者 固定模态，而 50/50 的平均选择比例证实了真正样本自适应的路由，而非坍缩为全局偏好。
3. 校准循环
仅使用区域级监督训练的像素解码器对每个输入一视同仁，容易对真实内容过度分割。DefakerOne2 将定位边界条件化于全局判断之上： p:
τ(p) = 0.75 − p/2 = 1/2 + 1/2 · (1/2 − p)
M_cal = 1[ M > τ(p) ]
当 MLLM 确信内容系伪造（p → 1），边界降至 0.25 微弱但真实的篡改线索得以保留；当它判定内容真实（p → 0），边界升至 0.75 只有高度显著的异常才会通过。在 p = 0.5 循环退化为传统的固定阈值二值化，因此校准永远不会注入全局证据不支持的偏差。在对数几率空间中，该偏移是反对称的，并且被限制在 ±log 3 ≈ ±1.099，让解码器在像素证据足够强时仍可与全局分支持不同意见。
训练数据
约5000万样本的语料库整合了三个来源层级—— 公共数据集, 引擎合成数据，而 人工整理的真实场景攻击样本.
创意提案者++。 一个MLLM（Qwen3.5-32B / GPT-5.5）首先生成一段详细描述，描述一张 真实 图像或视频，随后以此作为条件输入生成器（GPT-Image-2、SeeDance 2.5……）来合成其伪造版本。因此，真实与伪造的对应样本在构造上 在构造上语义对齐，从而防止检测器抓住与伪造无关的内容线索，同时继承真实世界媒体的多样性，而非基于模板的提示词。基于智能体的数据生成。一个训练→失败案例分析→定向合成→再训练的闭环：智能体检查坏例，识别缺失的伪造模式，选择合适的生成/编辑模型来合成定向样本，并将它们反馈到训练池中——因此新出现的攻击会变得从而防止检测器抓住与伪造无关的内容线索，同时继承真实世界媒体的多样性，而非基于模板的提示词。
基于智能体的数据生成。 一个闭环的 训练 → 失败案例分析 → 定向合成 → 再训练：智能体检查坏例，识别缺失的伪造模式，选择合适的生成/编辑模型来合成定向样本，并将它们反馈到训练池中——因此新出现的攻击会成为下一轮能力提升的输入。
基准测试结果
技术报告的部分结果。全部八个领域的按领域汇总（报告表19）； 每一列都是数值越高越好.
| 领域 | DTD | FFDN | TruFor | CDFA | 努力 | DRCT | F.MoE | Ivy-xDet。 | Veritas | DefakerOne2 | DefakerOne2 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 图像 · DeepFake（AUC） | 36.8 | 57.4 | 53.4 | 87.9 | 88.2 | 62.4 | 40.9 | 74.0 | 13.6 | 95.8 | 96.7 |
| 图像 · AIGC（Acc） | 44.7 | 49.5 | 46.2 | 49.8 | 66.1 | 68.2 | 57.7 | 79.9 | 72.2 | 87.5 | 93.3 |
| 图像 · 文档（Acc） | 59.1 | 56.6 | 58.5 | 47.8 | 41.7 | 58.8 | 42.0 | 40.2 | 47.7 | 81.4 | 87.6 |
| 图像 · 自然（AUC） | 52.5 | 34.8 | 71.5 | 64.7 | 63.4 | 62.5 | 25.6 | 51.8 | 2.0 | 86.7 | 89.6 |
| 图像 · 物理（Acc） | 32.0 | 60.0 | 34.2 | 39.3 | 67.6 | 44.6 | 31.9 | 35.5 | 51.2 | 50.7 | 87.2 |
| 图像平均 | 45.0 | 51.7 | 52.8 | 57.9 | 65.4 | 59.3 | 39.6 | 56.3 | 37.3 | 80.4 | 90.9 |
| 视频 · 数字（Acc） | 36.7 | 53.9 | 39.4 | 52.1 | 59.6 | 62.1 | 45.8 | 64.4 | 70.4 | 69.9 | 96.1 |
| 视频 · 物理（Acc） | 32.0 | 60.0 | 34.2 | 39.3 | 67.6 | 44.6 | 31.9 | 35.3 | 51.2 | 50.7 | 95.8 |
| 视频 · RRVBench（bACC） | 50.0 | 50.8 | 49.7 | 55.0 | 49.8 | 62.1 | 52.4 | 67.8 | 55.3 | 52.3 | 95.3 |
| 视频平均 | 39.6 | 54.9 | 41.1 | 48.8 | 59.0 | 56.3 | 43.4 | 55.8 | 59.0 | 57.6 | 95.7 |
DefakerOne2 在全部八行中均取得最佳成绩；每一行相对最强外部竞争者的领先幅度从未小于 8.5 分（DeepFake，对比 Effort），在文档图像上则达到 28.5 分（对比 DTD）。竞争者的平均值几乎持平，但其各领域排名却轮换变化——在某一行表现最好的模型，在另一行可能接近随机水平——而我们自己的分数分布则很窄（图像为 87.2–96.7，视频为 95.3–96.1），也就是说统一训练不会以一个领域为代价换取另一个领域。视频伪造检测（准确 全部八行；每一行相对最强外部竞争者的领先幅度从未小于 8.5 分（DeepFake，对比 Effort），在文档图像上则达到 28.5 在文档图像上（对比 DTD）。竞争者的平均值几乎持平，但其各领域排名却轮换变化——在某一行表现最好的模型，在另一行可能接近随机水平——而我们自己的分数分布则很窄（图像为 87.2–96.7，视频为 95.3–96.1），也就是说统一训练不会以一个领域为代价换取另一个领域。
视频伪造检测 （准确率 / HTER，八项经典物理 + 数字基准）：
| 指标 | FLIP | MVP | Effort | DRCT | BusterX | VideoVeritas | Veritas | DefakerOne2 | DefakerOne2 |
|---|---|---|---|---|---|---|---|---|---|
| 平均准确率 ↑ | 60.4 | 69.8 | 62.6 | 55.5 | 52.5 | 68.3 | 63.2 | 62.7 | 96.0 |
| 平均 HTER ↓ | 40.7 | 31.6 | 41.1 | 37.1 | 34.8 | 27.9 | 29.9 | 29.4 | 5.0 |
RA-Bench （零样本，九个未见过的生成器）：DefakerOne2 达到 99.3 平均 AUC 和 96.3 平均平衡准确率，而最佳图像检测器（ForgeLens）为 61.1 AUC，最佳视频检测器（DeCoF）为 60.9，Gemini-3.1-Pro-Preview 为 63.4 bACC，Skyra-RL 为 54.9，DefakerOne 为 49.3。其最差的生成器也胜过每个竞争者最好的生成器。
像素级定位 （二分类 F1）：
| Block | TruFor | DTD | APSC-Net | Mesorch | CAFTB | TIFDM | DefakerOne2 | DefakerOne2 |
|---|---|---|---|---|---|---|---|---|
| 文档平均 | — | 60.1 | — | — | 46.5 | 36.7 | 73.7 | 79.5 |
| 自然平均 | 50.3 | — | 58.7 | 52.0 | — | — | 67.4 | 78.1 |
鲁棒性与稳定性。 在 MFFI-Distorted（模糊、噪声、颜色失真、几何变形、锐化、压缩、对抗扰动）上，AUC 仅下降 7.4 （97.3 → 90.1），而 DefakerOne 则下降 20.5 个百分点（96.1 → 76.4）。在随机种子（42 / 1024 / 4096）和解码温度（0.0 / 0.5 / 1.0）下，图像准确率保持在 90.8–91.0 之间，视频准确率保持在 95.5–95.7 之间。
在真实世界攻击上的下游微调。 在相同的内部训练数据和“ FPR = 0.001，在四个内部真实世界攻击测试集上的召回率：
| 预训练模型 | 预训练模型 | 预训练模型 | Data3 | Data4 | 平均 | 平均 |
|---|---|---|---|---|---|---|
| DefakerOne（V1） | 94.11 | 86.12 | 81.12 | – | 87.12 | – |
| InternVL2-2B | 87.37 | 73.33 | 85.94 | – | 82.21 | – |
| Qwen3.5-2B | 93.93 | 87.54 | 92.77 | – | 91.41 | – |
| SwinTransformer | 95.13 | 81.63 | 72.59 | 15.66 | 83.12 | 66.25 |
| DINO-MAC-0.3B | 93.92 | 90.47 | 92.78 | 79.86 | 92.39 | 89.26 |
| DefakerOne2-0.8B | 94.92 | 94.19 | 95.58 | 80.61 | 94.90 | 91.33 |
| DefakerOne2-2B | 95.70 | 97.39 | 95.98 | 82.41 | 96.36 | 92.87 |
RRVBench
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
 |
公共视频取证数据集中的伪造视频通常由一年多以前发布的生成器制作。 RRVBench（真实场景谣言视频基准） 使评估始终与 AIGC 视频生成的前沿保持同步：
- 1,319 个真实视频 （来源： RRVBench) + 11,000 个合成视频 来自 11 个现代生成器.
- 闭源引擎（2,500 个）： SeeDance-2.5（700）、Happyhorse-1.1（400）、Vidu2-Image（400）、Wan-2.6-Flash（400）、Wan-2.6（200）、Kling-V3 Video（200）、Kling-V3-Omni Video（200）。
- 开源引擎（8,500 个）： JoyAI-Echo（3,920）、MiniMax-H3（3,336）、HunYuan-Video-1.5（740）、LongCatVideo（504）。
- 语义偏差缓解。 在 Creative Proposer++ 之后，Qwen3.5-32B 从真实源视频中提取细粒度描述，这些描述随后作为生成器的条件——因此检测器是在 合成伪影，而不是基于高层语境或主题线索。
- 目标领域。 高影响谣言场景：军事行动、政治事件、社会动荡和公共卫生紧急事件。
- 协议。 每个生成器子集都与完整的统一真实集进行配对；按生成器计算平衡准确率，并在11个子集上取宏平均。
🤗 下载： modelscope.cn/models/DanceText/RRVBench
零样本结果（平衡准确率，在11个生成器子集上取平均）：
| BusterX | Ivy-xDetector | VideoVeritas | Veritas | DRCT | DefakerOne2 | DefakerOne2 |
|---|---|---|---|---|---|---|
| 56.4 | 67.8 | 69.8 | 55.3 | 62.1 | 52.3 | 95.3 |
十个非MLLM检测器中有九个的得分落在48.2–56.2之间——在统计上与随机猜测无法区分。DefakerOne2是唯一一个其十一个按生成器划分的得分构成一个狭窄高分区间（88.0–96.6），而其最弱子集（SeeDance 2.5，88.0）仍超过所有竞品的最强子集。
快速开始
模型库
| 资源 | 骨干 | 描述 | 下载 |
|---|---|---|---|
| DefakerOne2 | Qwen3.5-2B | 统一视觉取证基础模型；两个检查点—— preview/ （复现论文结果）以及 release/ （使用更多数据训练） |
ModelScope |
| RRVBench | — | 真实感谣言视频基准：来自11个现代生成器的1,319个真实视频 + 11,000个虚假视频 | ModelScope |
1. 环境要求
Python 3.12.3
pip install torch==2.9.0 torchvision==0.24.0 ms-swift=4.1.0 numpy==1.26.0 scipy==1.11.3 scikit-learn==1.3.2 torchao==0.16.0
2. 模型下载
modelscope download --model DanceText/DefakerOne2 --local_dir [target_save_path]
下载目录下提供了两个检查点：
| 目录 | 描述 |
|---|---|
preview/ |
DefakerOne2-preview ——可用于复现论文中报告的分数。 |
release/ |
DefakerOne2-release ——使用更多数据训练；在大多数情况下预期表现更好。 |
3. 推理数据格式
推理输入为 JSONL 文件，每行一个样本。图像视频提示词固定且直接，因此模型在单个输出 token 中即给出其结论（ / ）。4. 推理命令参数含义用于推理的 GPU / 动态视觉 token 像素预算的下界 / 上界（固定，262144 ≈ 512×512，2408448 ≈ 1024×2352）下载的权重目录路径（ 或 ）输入 JSONL 文件路径写入预测 JSONL 的路径16（固定）——仅需决策 token（固定）——检测是一个单 文件，每行一个样本。
图像
{"messages": [{"role": "user", "content": "<image>Is this image real or fake? Answer only Real or Fake"}], "images": ["your_image_path.jpg"]}
视频
{"messages": [{"role": "user", "content": "<video>Is this video real or fake? Answer only Real or Fake"}], "images": ["your_video_path.mp4"]}
提示词固定且直接，因此模型在单个输出 token 中即给出其结论（ / ）。 单个输出 token (Real / Fake).
4. 推理命令
CUDA_VISIBLE_DEVICES=0 MIN_PIXELS=262144 MAX_PIXELS=2408448 --model [model_weight_dir] --val_dataset [val_dataset_jsonl_path] --result_path [prediction_jsonl_save_path] --max_new_token 16 --enable_thinking False --batch_size 1 --num_workers 8 --logprobs True --top_logprobs 20
| 参数 | 含义 |
|---|---|
CUDA_VISIBLE_DEVICES |
用于推理的 GPU |
MIN_PIXELS / MAX_PIXELS |
动态视觉 token 像素预算的下界 / 上界（固定，262144 ≈ 512×512，2408448 ≈ 1024×2352） |
--model |
下载的权重目录路径（preview/ 或 release/) |
--val_dataset |
输入 JSONL 文件的路径 |
--result_path |
写入预测 JSONL 的路径 |
--max_new_token |
16（固定）——仅需决策 token |
--enable_thinking |
False （固定）——检测是单 token 的二分类决策，无思维链 |
--batch_size / --num_workers |
推理批大小 / 数据加载工作进程数 |
--logprobs / --top_logprobs |
输出预测 logits |
5. 获取真实/伪造二分类预测分数
预测 JSONL 中的示例行（输入）
{"messages": [{"role": "user", "content": "<image>Is this image real or fake? Answer only Real or Fake"}], "images": ["705b29269119a6e03d08f5d1456c7d4a.jpg"], "response": "<think>\n\n</think>\n\nReal", "labels": null, "logprobs": {"content": [{"token": "Real", "logprob": -0.006730742286890745, "bytes": [82, 101, 97, 108], "top_logprobs": [{"token": "Real", "logprob": -0.006730742286890745, "bytes": [82, 101, 97, 108]}, {"token": "Fake", "logprob": -5.006730556488037, "bytes": [70, 97, 107, 101]}, {"token": " Real", "logprob": -11.256731033325195, "bytes": [32, 82, 101, 97, 108]}, {"token": "real", "logprob": -13.506731033325195, "bytes": [114, 101, 97, 108]}, {"token": "_real", "logprob": -14.506731033325195, "bytes": [95, 114, 101, 97, 108]}, {"token": "-real", "logprob": -15.256731033325195, "bytes": [45, 114, 101, 97, 108]}, {"token": " real", "logprob": -15.506731033325195, "bytes": [32, 114, 101, 97, 108]}, {"token": " Fake", "logprob": -17.131731033325195, "bytes": [32, 70, 97, 107, 101]}, {"token": " REAL", "logprob": -17.631731033325195, "bytes": [32, 82, 69, 65, 76]}, {"token": "REAL", "logprob": -17.756731033325195, "bytes": [82, 69, 65, 76]}, {"token": "实", "logprob": -17.756731033325195, "bytes": [229, 174, 158]}, {"token": "fake", "logprob": -18.006731033325195, "bytes": [102, 97, 107, 101]}, {"token": "_Real", "logprob": -18.256731033325195, "bytes": [95, 82, 101, 97, 108]}, {"token": ".Real", "logprob": -18.381731033325195, "bytes": [46, 82, 101, 97, 108]}, {"token": " fake", "logprob": -19.256731033325195, "bytes": [32, 102, 97, 107, 101]}, {"token": " reale", "logprob": -19.256731033325195, "bytes": [32, 114, 101, 97, 108, 101]}, {"token": ".real", "logprob": -19.881731033325195, "bytes": [46, 114, 101, 97, 108]}, {"token": "(real", "logprob": -20.506731033325195, "bytes": [40, 114, 101, 97, 108]}, {"token": " reali", "logprob": -20.881731033325195, "bytes": [32, 114, 101, 97, 108, 105]}, {"token": " reales", "logprob": -21.506731033325195, "bytes": [32, 114, 101, 97, 108, 101, 115]}]}, {"token": "<|im_end|>", "logprob": 0.0, "bytes": [60, 124, 105, 109, 95, 101, 110, 100, 124, 62], "top_logprobs": [{"token": "<|im_end|>", "logprob": 0.0, "bytes": [60, 124, 105, 109, 95, 101, 110, 100, 124, 62]}, {"token": "�", "logprob": -20.6875, "bytes": [239, 191, 189]}, {"token": "<|endoftext|>", "logprob": -20.6875, "bytes": [60, 124, 101, 110, 100, 111, 102, 116, 101, 120, 116, 124, 62]}, {"token": "�", "logprob": -20.875, "bytes": [239, 191, 189]}, {"token": " �", "logprob": -20.9375, "bytes": [32, 239, 191, 189]}, {"token": "¹", "logprob": -20.9375, "bytes": [194, 185]}, {"token": "\n\n", "logprob": -21.0625, "bytes": [10, 10]}, {"token": "<tool_call>", "logprob": -21.125, "bytes": [60, 116, 111, 111, 108, 95, 99, 97, 108, 108, 62]}, {"token": ",", "logprob": -21.1875, "bytes": [44]}, {"token": "<think>", "logprob": -21.25, "bytes": [60, 116, 104, 105, 110, 107, 62]}, {"token": "`", "logprob": -21.375, "bytes": [96]}, {"token": "<br", "logprob": -21.6875, "bytes": [60, 98, 114]}, {"token": "</think>", "logprob": -21.9375, "bytes": [60, 47, 116, 104, 105, 110, 107, 62]}, {"token": ".", "logprob": -22.0, "bytes": [46]}, {"token": "</", "logprob": -22.0, "bytes": [60, 47]}, {"token": " præ", "logprob": -22.125, "bytes": [32, 112, 114, 195, 166]}, {"token": "�", "logprob": -22.1875, "bytes": [239, 191, 189]}, {"token": "�", "logprob": -22.25, "bytes": [239, 191, 189]}, {"token": "\\u", "logprob": -22.25, "bytes": [92, 117]}, {"token": "²", "logprob": -22.3125, "bytes": [194, 178]}]}]}}
运行命令
python logprob2score.py --input [your input jsonl path] --output [new jsonl save path]
预测 JSONL 中的示例行（输出）
{"file_path": 705b29269119a6e03d08f5d1456c7d4a.jpg, "p_fake": 0.12, "p_real": 0.88}
6. 复现评估
评估覆盖 53 项检测基准和 14 项定位基准。使用 preview/ 用于复现技术报告中数值的检查点。RRVBench 分数应计算为各生成器平衡准确率相对于统一的 1,319 个视频真实集的宏平均。
引用
如果您在研究中使用 DefakerOne2、RRVBench 或本仓库的任何部分，请引用技术报告：
@article{guangjian2026defakerone2,
title = {Venus-DefakerOne2: A Vision-Forensics Foundation Model
with Broader Coverage},
author = {Qu, Chenfan and Liang, Yachao and Fang, Mingqi and Xie, Jiangwei
and Chang, Zheng and Wang, Zhenming and Zhang, Baoyue and
Jin, Fanli and Jiang, Changjiang and Li, Junchi and Wang, Haoyue
and Zhu, Xuekang and others},
journal = {GuangJian Team, Ant Group --- Technical Report},
year = {2026},
note = {\url{https://github.com/inclusionAI/DefakerOne2}}
}
致谢
DefakerOne2 基于 Qwen3.5 多模态骨干网络，采用 DINOv3-Large / DINOMAC 用于 Anomaly Magnifier，并在包括 FaceForensics++、CelebDF-v2、DFDC、ScaleDF、DF40、MFFI、GenImage、CommunityForensics、DiffusionForensics、DocTamper、DanceText、OSTF、RTM、CASIA、COVERAGE、Columbia、NIST16、CocoGlide、AutoSplice、OpenSDID、CelebA-Spoof、MSU-MFSD、OULU-NPU、DLC2021、SCVD、CASIA-FASD、GenBuster、LOKI、VideoPhy2、ManipulationBench、RA-Bench 和 RRVBench 在内的广泛公开取证基准套件上进行评估。我们感谢这些数据集和基础模型的作者与维护者。
许可证
本仓库中的开源代码依据 Apache-2.0。模型权重依据其 ModelScope 模型卡中规定的条款发布。 ModelScope 模型卡. RRVBench 仅限非商业研究用途发布；第三方数据集和预训练组件保留其原始许可证。