Skyra: 基于 grounded artifact 推理的人类可感知 AI 生成视频检测

AI 生成视频技术的滥用引发了严重的社会担忧，凸显了迫切需要可靠的 AI 生成视频检测器的作用。然而，大多数现有方法仅限于二元分类，缺乏人类解读所需的解释。本文提出 Skyra，一种专门的多模态大语言模型(MLLM)，识别 AI 生成视频中的人类可感知视觉瑕疵，并将其作为 grounding 证据用于检测和解释。为支持这一目标，我们构建 ViF-CoT-4K 用于监督式微调(SFT)，该数据集是首个大规模 AI 生成视频瑕疵数据集，包含细粒度的人类注释。我们随后开发了两阶段训练策略，系统性地提升模型的时空瑕疵感知、解释能力和检测准确性。为全面评估 Skyra，我们引入 ViF-Bench，包含由超过十个 state-of-the-art 视频生成器生成的 3000 份高质量样本。广泛的实验表明，Skyra 在多个基准测试中超越了现有方法，而我们的评估为推动可解释 AI 生成视频检测提供了宝贵见解。