AI-modeller og plattformer

Pangram lanserer to modeller for å oppdage AI-genererte bilder og videoer

mm
Publisert
Legg til Unite.AI blant dine foretrukne kilder på Google

Pangram kunngjorde to datavisjonsmodeller 4. november 2026: Pangram Image 1.0, som oppdager AI-genererte bilder, og den mindre og raskere Pangram Image Flash 1.0, som analyserer AI-video bilde for bilde. Lanseringen introduserer også varmekart, innebygd opplasting av video, integrasjon med Chrome-utvidelsen og API-støtte for bilder og video.

Varmekartet i Image 1.0 skal lokalisere syntetisk materiale i et bilde, for eksempel et AI-generert element i et ellers ekte fotografi. I et offisielt lanseringsinnlegg på X sa Pangram at modellen identifiserer 99,2 % av AI-genererte bilder, samtidig som den opprettholder en falsk positiv-rate på 0,27 %.

Parvise tester av bilder og videoer

For å evaluere modellen for bilder laget Pangram syntetiske motstykker til 100 ekte fotografier ved hjelp av 12 bildegeneratorer. Ledetekstene samsvarte tett med hvert originalfoto, noe som ga 1 200 syntetiske bilder. Pangram oppgir at Image 1.0 oppnådde en nøyaktighet på 99,96 % på dette datasettet, som selskapet selv hadde laget. Tallet beskriver ytelsen på denne målrettede sammenstillingen av ekte og syntetiske bilder, ikke en universell nøyaktighetsgrad for alle bilder man møter på nettet.

Videosammenligningen fulgte et lignende prinsipp med syntetiske motstykker. Pangram tok utgangspunkt i 129 ekte videoer fra sosiale medier og brukte 14 videogeneratorer til å lage 100 syntetiske videoer per generator, basert på et utvalg fra det ekte materialet, slik at totalen ble 1 529 videoer. Hver generator fikk det første bildet fra den ekte videoen og en beskrivelse av handlingen laget av en visjons- og språkmodell. Siden hver ekte video og det syntetiske motstykket har samme scene og motiv, tester opplegget om en detektor kan skille mellom lignende klipp uten å belønne en snarvei der bestemt innhold forbindes med AI.

DF26-videomåleverdien

Pangram evaluerte Flash 1.0 med DF26, en målemetode beskrevet i et forhåndstrykk innsendt 7. september 2026. Datasettet inneholder 271 ekte og 2 420 syntetiske videoer laget med sju moderne videomodeller. Det fokuserer på én person som snakker rett til kamera i opptak, offisielle uttalelser og studiointervjuer. Forfatterne oppgir at både mennesker og avanserte deepfake-detektorer presterte nesten på nivå med tilfeldig gjetning, og argumenterer for evalueringer som uttrykkelig tester robusthet mot distribusjonsforskyvninger fra moderne generatorer.

Pangram oppgir at Image Flash 1.0 får 98,7 % på DF26, 29 prosentpoeng mer enn den nest beste detektoren. Med innebygd støtte for videoopplasting blir modellen tilgjengelig i kontrollpanelet: Flash analyserer hvert bilde og identifiserer hvilke deler av en opplastet video som utløser en AI-påvisning.

Utrulling utover forskningsforhåndsvisningen

I forskningsforhåndsvisningen 29. juli 2026 godtok modellen bare bilder på minst 512 × 512 piksler. Deepfakes og ansiktsbytter var oppført som tilfeller den ikke kunne oppdage med sikkerhet. Pangram sier at versjon 1.0 gir bedre ytelse på deepfakes, bilder med lav oppløsning og avanserte genereringsmodeller. Minste tillatte størrelse er nå 256 × 256 piksler, men for bilder under 512 piksler vises en merknad om redusert sikkerhet.

Pangram sier at de trener den nye modellen til å oppdage endringer som komprimering, nedskalering, uskarphet og støy, enten de skyldes sosiale plattformer eller aktører som forsøker å unngå oppdagelse. Tilgangen er også utvidet siden forhåndsvisningen, da tilgang til bilde-API-et bare var tilgjengelig etter invitasjon, og videoinndata i kontrollpanelet og Chrome-integrasjon var oppført som planlagt arbeid. Image 1.0 er integrert i Chrome-utvidelsen for å markere AI-generert materiale på sosiale medier, handleplattformer og utleienettsteder, mens det oppdaterte API-et støtter både bilde- og videogjenkjenning.

Den praktiske betydningen av lanseringen ligger i kombinasjonen av de nye modellene og disse tilgangsmulighetene: Gjenkjenningen kan kjøres i en nettleserstrøm, på en opplastet video eller gjennom en API-integrasjon. Merknaden om redusert sikkerhet for mindre bilder er fortsatt det viktigste forbeholdet og viser at støtte for flere inndataformater og bredere distribusjon ikke innebærer like høy sikkerhet for alle bilder.

mm

Miles Okada er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, og dekker kunstig intelligens og cybersikkerhet med fokus på nye trusler, defensive arkitekturer og de utviklende dynamikkene mellom angripere og automatiserte systemer. Arbeidet hans undersøker hvordan AI omformer sikkerhetsoperasjoner, fra autonom trusseldeteksjon og respons til fremveksten av adversarial AI-teknikker.

Med et teknisk og etterforskningsmessig perspektiv analyserer Miles sikkerhetsforskning, hendelsesavsløringer og virkelige implementeringer for å forstå hvor AI styrker forsvar – og hvor den introduserer nye sårbarheter. Han legger særlig vekt på modellutnyttelse, dataforgiftning, angrepsautomatisering og de operative realitetene ved å sikre AI-drevne systemer i stor skala.

Artiklene skrevet av Miles Okada er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, grundighet og ansvarlig dekning av det raskt skiftende AI-sikkerhetslandskapet.