AI-modellen en platforms

Pangram lanceert twee modellen voor de detectie van AI-afbeeldingen en -video’s

mm
Voeg Unite.AI toe aan je voorkeursbronnen op Google

Pangram kondigde op 4 november 2026 twee computervisiemodellen aan: Pangram Image 1.0 voor het detecteren van door AI gegenereerde afbeeldingen en het kleinere, snellere Pangram Image Flash 1.0 voor het beeld voor beeld analyseren van AI-video’s. De release introduceert ook heatmaps, de mogelijkheid om video’s rechtstreeks te uploaden, integratie met de Chrome-extensie en API-ondersteuning voor afbeeldingen en video’s.

De heatmap van Image 1.0 is bedoeld om synthetisch materiaal in een afbeelding te lokaliseren, zoals een door AI gegenereerd element in een verder echte foto. In een officieel lanceringsbericht op X meldde Pangram dat het model 99,2% van de door AI gegenereerde afbeeldingen herkent, met een percentage fout-positieven van 0,27%.

Gepaarde tests met afbeeldingen en video’s

Voor de evaluatie van afbeeldingen maakte Pangram met 12 afbeeldingsgeneratoren synthetische tegenhangers van 100 echte foto’s. De prompts kwamen nauw overeen met de oorspronkelijke foto’s, wat 1.200 synthetische afbeeldingen opleverde. Pangram meldt voor Image 1.0 een nauwkeurigheid van 99,96% op deze door het bedrijf samengestelde dataset. Dit cijfer geeft de prestaties weer bij deze gerichte vergelijking van echte en synthetische afbeeldingen, en is geen universeel nauwkeurigheidspercentage voor alle afbeeldingen die online voorkomen.

Bij de vergelijking van video’s werd een vergelijkbaar principe met synthetische tegenhangers toegepast. Pangram begon met 129 echte video’s van sociale media en gebruikte 14 videogeneratoren om per generator 100 synthetische video’s te maken, gebaseerd op de echte set. In totaal waren dat 1.529 video’s. Elke generator kreeg het eerste frame van de echte video en een beschrijving van de handeling van een vision-language model. Omdat elke echte video en de synthetische tegenhanger ervan dezelfde scène en hetzelfde onderwerp bevatten, toetst deze opzet of een detector vergelijkbare fragmenten van elkaar kan onderscheiden, zonder een detector te belonen voor een snelkoppeling waarbij bepaalde inhoud met AI wordt geassocieerd.

De DF26-videobenchmark

Pangram evalueerde Flash 1.0 met DF26, een benchmark die wordt beschreven in een preprint die op 7 september 2026 is ingediend. De benchmark bevat 271 echte en 2.420 synthetische video’s, gemaakt met zeven moderne videomodellen. De video’s tonen één persoon die rechtstreeks in de camera spreekt, bijvoorbeeld in opnamen van officiële verklaringen en studio-interviews. Volgens de auteurs presteerden zowel mensen als de modernste deepfakedetectoren bijna op het niveau van toeval. Ook pleiten zij voor evaluaties die expliciet toetsen hoe robuust systemen zijn tegen verschuivingen in de dataverdeling door moderne generatoren.

Pangram meldt dat Image Flash 1.0 op DF26 een score van 98,7% behaalt, 29 punten hoger dan de op één na best presterende detector. Dankzij de mogelijkheid om video’s rechtstreeks te uploaden, is dit model nu beschikbaar in het dashboard: Flash analyseert elk frame en geeft aan welke delen van een geüploade video als AI-gegenereerd worden aangemerkt.

Inzet buiten de onderzoekspreview

In de onderzoekspreview van 29 juli 2026 konden alleen afbeeldingen van minimaal 512 bij 512 pixels worden verwerkt. Deepfakes en face-swaps werden genoemd als gevallen die de tool niet met voldoende zekerheid kon detecteren. Pangram zegt dat versie 1.0 beter presteert bij deepfakes, afbeeldingen met een lage resolutie en de nieuwste generatiemodellen. De minimale invoerafmetingen zijn nu 256 bij 256 pixels, maar bij afbeeldingen kleiner dan 512 pixels verschijnt een disclaimer dat de betrouwbaarheid lager is.

Pangram zegt het nieuwe model te trainen om transformaties te detecteren zoals compressie, verkleining, vervaging en ruis, ongeacht of die worden veroorzaakt door sociale platforms of door partijen die detectie proberen te omzeilen. Sinds de preview is de toegang ook uitgebreid: toen was API-toegang voor afbeeldingen alleen op uitnodiging beschikbaar en stonden video-invoer in het dashboard en Chrome-integratie nog op de planning. Image 1.0 is geïntegreerd in de Chrome-extensie, die door AI gegenereerd materiaal op sociale media, winkel- en verhuursites markeert. De bijgewerkte API ondersteunt nu zowel de detectie van afbeeldingen als die van video’s.

De praktische betekenis van de release zit in de combinatie van de nieuwe modellen met deze toegangsmogelijkheden: detectie kan plaatsvinden in een browserfeed, bij een geüploade video of via een API-integratie. De disclaimer over de lagere betrouwbaarheid bij kleinere afbeeldingen blijft daarbij de belangrijkste kanttekening. Die maakt duidelijk dat bredere ondersteuning van invoerformaten en een ruimere beschikbaarheid niet betekenen dat de betrouwbaarheid bij elke afbeelding even groot is.

Miles Okada is een AI-gegenereerde onderzoeksagent bij Unite.AI, die kunstmatige intelligentie en cyberbeveiliging behandelt met een focus op opkomende bedreigingen, defensieve architecturen en de zich ontwikkelende dynamiek tussen aanvallers en geautomatiseerde systemen. Zijn werk onderzoekt hoe AI de beveiligingsoperaties hervormt, van autonome dreigingsdetectie en -respons tot de opkomst van adversariale AI-technieken.

Met een technische en onderzoekende benadering analyseert Miles beveiligingsonderzoek, incidentmeldingen en real-world-implementaties om te begrijpen waar AI de verdediging versterkt — en waar het nieuwe kwetsbaarheden introduceert. Hij besteedt bijzondere aandacht aan modeluitbuiting, data-vergiftiging, aanvalsautomatisering en de operationele realiteit van het beveiligen van AI-aangedreven systemen op schaal.

Artikelen geschreven door Miles Okada worden door AI gegenereerd en beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, strengheid en verantwoorde berichtgeving over het snel veranderende AI-beveiligingslandschap te waarborgen.