KI SpotlightNewsAnt Group stellt Venus-DefakerOne2 vor: Modell für Deepfakes und Spoofing in Bild und Video
Das Modell mit 2 Milliarden Parametern erweitert den bildbasierten Vorgänger um Video und physische Angriffe. Die Erkennungswerte stammen vom Hersteller, eine unabhängige Prüfung fehlt bislang.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Venus-DefakerOne2 ist ein Foundation-Modell gegen digitale Manipulation und physisches Spoofing bei Bildern und Videos.
- Hinter dem Modell steht das GuangJian Team der Ant Group.
- Das Modell hat 2 Mrd. Parameter und vereint mehrere Erkennungsaufgaben in einem System.
- Laut Hersteller erreicht es 96,7 % bei DeepFake-Gesichtern und 87,6 % bei manipulierten Dokumenten.
- Gewichte wurden am 29.10.2026 auf ModelScope und Hugging Face veröffentlicht.
Ant Group bündelt Deepfake-Erkennung und Anti-Spoofing in einem 2-Milliarden-Modell
Das GuangJian Team der Ant Group hat Venus-DefakerOne2 vorgestellt, ein Forensik-Foundation-Modell mit 2 Milliarden Parametern. Es soll digitale Manipulation und physisches Spoofing in Bildern und Videos erkennen. Als weiteren Träger nennt das GitHub-README das Technical Committee on Digital Media Forensics and Security der CSIG.
Bislang werden diese Aufgaben meist getrennt bearbeitet: KI-Inhaltserkennung, DeepFake-Gesichtserkennung, Dokumentenmanipulation, Manipulation natürlicher Bilder, Anti-Spoofing für Gesichter und Dokumente sowie KI-Videoerkennung. Das neue Modell fasst sie zusammen. Die Autoren begründen den Schritt damit, dass Fälschungen in der Praxis uneinheitlich auftreten – digital oder als physischer Angriff, im Bild oder im Video. Ein einheitliches Modell für dieses gesamte Spektrum gab es bisher nicht.
Laut README sind die Gewichte seit dem 29. Oktober 2026 auf ModelScope und Hugging Face verfügbar. Der Benchmark RRVBench liegt auf ModelScope. Technical Report und Projektseite folgten am 30. Oktober 2026. Code, Modell und Daten sind unter github.com/inclusionAI/DefakerOne2 verlinkt.
Plattformen, Medien oder Stellen, die Identitäten prüfen, könnten ein solches Modell nutzen. Belegt ist dieser Einsatz in den vorliegenden Quellen nicht. Es bleibt eine Möglichkeit, keine nachgewiesene Anwendung.
Vom Bild-Detektor zum Bild-und-Video-Modell: Was Version 2 ändert
Der Vorgänger Venus-DeFakerOne war ein reines Bildmodell zur Fälschungserkennung und Lokalisierung. Er basiert auf InternVL2 und SAM2. Der Report erschien am 15. Mai 2026 als arXiv-Paper 2605.14091. Laut den Autoren erzielte er Bestwerte auf 39 Detektions- und 9 Lokalisierungs-Benchmarks.
Version 2 erweitert die Abdeckung in zwei Richtungen. Sie umfasst nun physische Angriffe, also Anti-Spoofing, zusätzlich zu digitalen Fälschungen. Und sie verarbeitet Video neben Bildern. Trainiert wurde nach Herstellerangaben mit zehn Millionen und mehr Samples aus Open-Source- und internen Beständen.
Zwei Methoden sind neu. Beim Tide-Style-Tuning wechselt das Training zwischen LoRA und Vollparameter-Finetuning. Die entropiebasierte Test-Adaption wählt anhand der Vorhersage-Entropie die Modalität, auf der die Vorhersage beruht. Welche technischen Details darüber hinausgehen, lassen die vorliegenden Belege offen.
Herstellerwerte zwischen 87,6 und 96,7 Prozent – unabhängig nicht geprüft
Die Autoren nennen folgende Benchmark-Werte: DeepFake-Gesichter 96,7 Prozent, KI-Videos 96,0 Prozent, KI-generierte Bilder 93,3 Prozent, physische Spoofs 93,1 Prozent, manipulierte Naturbilder 89,6 Prozent und manipulierte Dokumente 87,6 Prozent.
Alle Angaben stammen vom Hersteller. Dazu zählt auch die Aussage, das Modell erreiche einen neuen Stand der Technik und übertreffe Expertenmodelle sowie den Vorgänger deutlich. Ebenfalls Herstellerangabe ist, dass Tide-Style-Tuning katastrophales Vergessen mindert.
Eine unabhängige Bestätigung liegt nicht vor. Ein Nachtest mit den veröffentlichten Gewichten auf den genannten Benchmarks und auf RRVBench könnte das klären. Hinzu kommen die Prüfung der Baselines und Splits sowie die Ablationen im Technical Report. Unklar bleibt außerdem die Lizenz der Gewichte; die Quellen machen dazu keine Angabe.
