Modelos e plataformas de IA
Pangram lança dois modelos para detectar imagens e vídeos gerados por IA
Adicione Unite.AI às suas fontes preferidas no Google
Pangram anunciou dois modelos de visão computacional em 4 de novembro de 2026: Pangram Image 1.0, para detectar imagens geradas por IA, e o Pangram Image Flash 1.0, menor e mais rápido, para analisar vídeos com IA quadro a quadro. O lançamento também apresenta a geração de mapas de calor, o envio nativo de vídeos, a integração com a extensão do Chrome e o suporte a imagens e vídeos pela API.
O mapa de calor do Image 1.0 foi projetado para localizar material sintético em uma imagem, como um elemento gerado por IA dentro de uma fotografia que, no restante, é real. Em uma publicação oficial de lançamento no X, a Pangram afirmou que o modelo identifica 99,2% das imagens geradas por IA, mantendo uma taxa de falsos positivos de 0,27%.
Testes pareados de imagens e vídeos
Para avaliar o desempenho em imagens, a Pangram criou réplicas sintéticas de 100 fotografias reais com 12 geradores de imagens. Os prompts correspondiam de perto a cada foto original, resultando em 1.200 imagens sintéticas; a Pangram informa que o Image 1.0 alcançou 99,96% de precisão nesse conjunto criado pela empresa. Esse número descreve o desempenho nessa comparação direcionada entre imagens reais e sintéticas, e não uma taxa de precisão universal para todas as imagens encontradas na internet.
A comparação de vídeos aplicou um princípio semelhante de criação de réplicas sintéticas. A Pangram começou com 129 vídeos reais de redes sociais e usou 14 geradores de vídeo para criar 100 vídeos sintéticos por gerador, a partir da amostra real, totalizando 1.529 vídeos. Cada gerador recebeu o primeiro quadro do vídeo real e uma descrição da ação produzida por um modelo de visão e linguagem. Como cada vídeo real e sua versão sintética compartilham a mesma cena e o mesmo tema, o método testa se um detector consegue distinguir clipes semelhantes sem favorecer uma estratégia simplista que associe determinado conteúdo à IA.
O benchmark de vídeo DF26
A Pangram avaliou o Flash 1.0 com o DF26, um benchmark descrito em um preprint enviado em 7 de setembro de 2026. O benchmark contém 271 vídeos reais e 2.420 sintéticos, produzidos por sete modelos de vídeo modernos, e se concentra em uma pessoa falando diretamente para a câmera, em gravações de declarações oficiais e entrevistas em estúdio. Seus autores relatam que tanto as pessoas quanto os detectores de deepfake de última geração tiveram um desempenho próximo ao do acaso e defendem avaliações que testem explicitamente a robustez diante de mudanças na distribuição causadas por geradores modernos.
A Pangram afirma que o Image Flash 1.0 obteve 98,7% no DF26, 29 pontos acima do detector seguinte mais bem classificado. O envio nativo de vídeos incorpora esse modelo ao painel: o Flash analisa cada quadro e identifica quais trechos do vídeo enviado são sinalizados como gerados por IA.
Além da prévia de pesquisa
A prévia de pesquisa de 29 de julho de 2026 aceitava apenas imagens com pelo menos 512 × 512 pixels e indicava deepfakes e trocas de rosto entre os casos que não conseguia detectar com confiança. A Pangram afirma que a versão 1.0 melhora o desempenho com deepfakes, imagens de baixa resolução e modelos de geração de ponta. Agora, o tamanho mínimo de entrada é 256 × 256 pixels, mas imagens com menos de 512 pixels exibem um aviso de confiança reduzida.
A Pangram afirma que treina o novo modelo para detectar transformações como compressão, redução de resolução, desfoque e ruído, sejam elas introduzidas por plataformas sociais ou por agentes que tentam escapar da detecção. O acesso também foi ampliado desde a prévia, quando o acesso à API de imagens era apenas por convite e o envio de vídeos pelo painel e a integração com o Chrome eram apresentados como trabalhos futuros. O Image 1.0 está integrado à extensão do Chrome para sinalizar material gerado por IA em redes sociais e sites de compras e aluguel, enquanto a API atualizada oferece suporte à detecção de imagens e vídeos.
A importância prática do lançamento está na combinação dos novos modelos com esses pontos de acesso: a detecção pode ser feita no feed do navegador, em um vídeo enviado ou por meio de uma integração com API. O aviso de confiança reduzida para imagens menores continua sendo a principal ressalva: o suporte a uma variedade maior de entradas e a distribuição mais ampla não significam que o nível de confiança seja uniforme para todas as imagens.
