VIGIL：面向通用深度伪造检测的部件导向结构推理

多模态大型语言模型（MLLM）为通过生成文本解释实现可解释的深度伪造检测提供了可行路径。然而，当前MLLM方法的推理过程将证据生成与操纵局部融合为单一步骤，这种组合模糊了忠实观察与幻觉解释之间的边界，导致结论不可靠。基于此，我们提出VIGIL，一种受专家法医实践启发的部件导向结构性 forensic 框架，采用“规划-检验”管线：模型首先根据全局视觉线索规划哪些面部部件值得检查，然后分别以独立来源的 forensic 证据检查每个部件。分阶段注入机制仅在检验阶段提供部件级 forensic 证据，确保部件选择由模型自身感知驱动，而非受外部信号偏导。我们进一步提出渐进式三阶段训练范式，其中强化学习阶段采用部件感知奖励，以确保解剖有效性与证据-结论一致性。为实现严谨的通用性评估，我们构建OmniFake，一个分层5级基准，模型仅在三个基础生成器上训练，即可逐步测试至野生社交媒体数据。针对OmniFake与跨数据集评估，VIGIL在所有通用性水平上均一致优于专家检测器及并行MLLM方法。