GenVideoLens：大型视觉语言模型在AI生成视频检测中的短板在何处?
计算机视觉与模式识别
2026-03-20 v1
摘要
近年来，AI生成视频日益逼真且技术日新月异。与此同时，大型视觉语言模型（Large Vision-Language Models，LVLMs）在检测此类内容方面展现出强大的潜力。然而，现有评估协议基本将任务视为二元分类问题，依赖整体准确率等粗粒度指标，无法充分洞察LVLMs在何处成功或失败。为此，我们提出GenVideoLens，一个细粒度基准，支持LVLMs在AI生成视频检测中按维度进行评估。该基准包含400个高度欺骗性的AI生成视频和100个真实视频，由专家横跨感知、光学、物理和时间维度的15个可信度维度进行标注。我们在此基准上评估了十七个代表性LVLMs。我们的分析揭示了显著的维度不平衡：尽管LVLMs在感知线索方面表现相对不错，但在光学一致性、物理交互和时序-因果推理方面仍感困难。模型性能在不同维度间差异显著，一些小型开源模型在特定可信度线索上反而超越了更强的专有模型。时间扰动实验进一步表明，当前LVLMs对时序信息的利用有限。总体而言，GenVideoLens为诊断LVLMs行为提供了洞察，揭示了关键能力缺口，为改进未来AI生成视频检测系统提供了指导。
引用
@article{arxiv.2603.18625,
title = {GenVideoLens: Where LVLMs Fall Short in AI-Generated Video Detection?},
author = {Yueying Zou and Pei Pei Li and Zekun Li and Xinyu Guo and Xing Cui and Huaibo Huang and Ran He},
journal= {arXiv preprint arXiv:2603.18625},
year = {2026}
}
备注
ECCV 2026 submission. 14 pages, 6 figures, 4 tables. Supplementary material included