面向 AI 文档安全的证据导向智能体推理——DocShield

生成式 AI 的快速发展使得基于文本的图像伪造日益逼真，构成文档安全的重大挑战。现有 Forensic 方法主要依赖视觉线索，缺乏证据基础推理以揭示细微文本操作。检测、局部化和解释常被视为孤立任务，限制了可靠性和可解释性。为此，我们提出 DocShield，首个将文本导向性伪造分析形式化为视觉-逻辑共推理问题的统一框架。其核心， novel Cross-Cues-aware Chain of Thought（CCT）机制实现隐式智能体推理，迭代交叉验证视觉异常与文本语义，以产出一致且基于证据的 Forensic 分析。我们进一步引入加权多任务奖励，用于 GRPO-based 优化，使推理结构、空间证据和真实性预测实现对齐。配套该框架，我们构建 RealText-V1，一个包含文档式文本图像的多语言数据集，提供像素级操纵掩码和专家级文本解释。大量实验表明，DocShield 在 T-IC13 上显著优于现有方法，宏平均 F1 提升 41.4%，相对于 GPT-4o 提升 23.4%，在具备挑战性的 T-SROIE 数据集上也持续获得提升。我们的数据集、模型和代码将公开释放。