KI SpotlightNewsVerus-Insight: Offener 8B-Detektor für KI-Videos gliedert die Prüfung in drei Schritte
Laut Paper erreicht die Balanced Accuracy bis zu 94,79, die Trefferquote bei menschlich markierten Artefakten liegt deutlich darunter. Modell und Inferenzcode sind veröffentlicht, der Trainingscode fehlt.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Verus-Insight erkennt Artefakte in drei Schritten: Inspection Planning, Evidence Verification, Evidence Aggregation.
- Basis ist Qwen3-VL-8B-Instruct; die Supervision folgt Context, Rubric, Audit, Aggregation.
- Die Autoren führen zusätzlich Verus-Bench ein, einen Benchmark mit feinen menschlichen Annotationen.
- Das GitHub-Repository ist eine reine Inferenz-Veröffentlichung unter Apache-2.0 ohne Trainingsskripte.
- Beteiligt sind laut Bericht Peking University, Kuaishous Kling-Gruppe, HKUST (Guangzhou), Fudan und Tsinghua.
Verus-Insight prüft Videos in drei Schritten und gibt nicht nur ein Label aus
Ein Team der Peking University, der Kling-Gruppe von Kuaishou, der HKUST (Guangzhou), der Fudan University und der Tsinghua University stellt Verus-Insight vor. Der Detektor für KI-generierte Videos hat acht Milliarden Parameter und baut auf Qwen3-VL-8B-Instruct auf. Er liefert nicht allein ein Echt-oder-Fake-Label. Er soll zeigen, worauf sein Urteil beruht.
Dafür zerlegt er die Artefakterkennung in drei Fähigkeiten. Die Inspektionsplanung legt fest, was geprüft wird. Die Beweisprüfung klärt, ob der betrachtete Bildinhalt echte Generierungsartefakte zeigt. Die Beweisaggregation führt die geprüften Befunde zur Entscheidung über die Quelle zusammen. Die Supervision ist laut Repository menschlich verankert und folgt der Abfolge Context, Rubric, Audit, Aggregation.
Das Training verläuft laut Paper in mehreren Stufen. Zuerst lernt das Modell gemeinsam Region Tracking und Rubric Planning im Verhältnis 1:1. Danach folgen Full-Process-SFT und Reinforcement Learning. Zusätzlich führen die Autoren mit Verus-Bench einen Benchmark ein, der feine menschliche Annotationen wahrnehmbarer Artefakte enthält.
Ihre Begründung: Bestehende Detektoren erkennen subtile Artefakte nicht. Oder sie treffen die richtige Entscheidung, ohne die zugrunde liegende Evidenz getreu zu benennen. Das ist eine Herstellerangabe. Eine unabhängige Prüfung liegt nicht vor.
Balanced Accuracy steigt auf 94,79, die Trefferquote bei Artefakten bleibt niedrig
Gegenüber dem Qwen3-VL-8B-Backbone steigt die berichtete Video-Balanced-Accuracy auf RewardData von 48,81 auf 94,79. Auf Verus-Bench wächst sie von 66,67 auf 89,06.
Deutlich bescheidener fällt die Finding F1 aus. Sie misst, ob der Detektor die von Menschen markierten Artefakte tatsächlich wiederfindet. Auf RewardData steigt sie von 3,38 auf 35,42, auf Verus-Bench von 7,56 auf 15,97. Der absolute Wert liegt damit weit unter der Balanced Accuracy.
Die Lücke ist der Kern der Argumentation des Papers. Als Beispiel nennen die Autoren VideoVeritas: 91,12 Balanced Accuracy bei nur 8,47 Finding F1. Ein richtiges Urteil kann demnach auf kaum nachweisbarer Artefaktbasis beruhen. Alle Zahlen stammen aus dem Paper beziehungsweise aus einem Bericht darüber. Eine unabhängige Replikation gibt es bislang nicht.
Inferenz ist offen, Trainingscode fehlt, der Abstand zu Skyra, VidGuard-R1 und Ivy-xDetector bleibt ungeklärt
Das GitHub-Repository steht unter Apache-2.0. Das Modell Verus-Team/Verus-Insight-8B lässt sich per hf download laden. Trainingsskripte, Trainingsrezepte und Optimierer enthält das Repository nicht. Die Ergebnisse lassen sich daher nur per Inferenz überprüfen, nicht durch Neutraining.
Erklärbare Videoerkennung mit multimodalen Sprachmodellen, Reasoning und Reinforcement Learning gibt es bereits. Beispiele sind Skyra, VidGuard-R1 und Ivy-xDetector sowie TASLE für lange Videos. Vergleichszahlen zu diesen Arbeiten liegen nicht vor, der Vorsprung lässt sich deshalb nicht beziffern. Ob Faktenchecker oder Plattformen vom Ansatz profitieren, ist im vorliegenden Material nicht belegt. Einen Erstanspruch auf GRPO erhebt das Paper selbst nicht.
