Artifact-Bench：评估 MLLM 检测与诊断 AI 生成视频伪影

现有 MLLM 能否感知并诊断 AI 生成视频中的真实性伪影，仍不清楚。

• 使用场景：作者称视频生成已更逼真，但输出仍常见时序不一致、结构扭曲、不自然运动和语义不连贯。作者认为这些伪影限制感知真实感，并关系到媒体鉴真、内容审核和生成模型评测。
• 现有不足：作者称已有基准常把鉴真、偏好评测和伪影定位分开，且多限写实视频；一般视频基准又偏语义理解，难以区分伪影感知与语义先验或数据偏差。Table 1 中，检测、比较、诊断都覆盖且带难度层级的，只有 Artifact-Bench。
• 作者的观察：作者认为，相对纯语义或风格线索，生成伪影更能反映当前生成管线的内在限制。除二分类外，作者认为诊断伪影还可为改进生成模型提供信息。
• 本文提出：三层伪影分类（最细 30 类），以及 Artifact-Bench 的三项任务：真假分类 RVAC、成对真实感比较 PVRC、细粒度伪影识别 AID，覆盖写实、动画和 CG。

论文在第 2 节分两条线讨论，并用 Table 1 对比基准。

MLLM 与 AIGC 评测应用

• 通用视觉语言能力：论文列举一批 MLLM，称其已用于视觉问答、视频描述和视频 OCR，并能做复杂视觉推理，因而被考虑做可扩展的视频评测。
• 检测与真实感评估：BusterX++（Wen 等，2025）和 Skyra（Li 等，2025）被点名为用 MLLM 做自动 AIGC 视频检测与真实感评估的例子。本节只作引出，未展开优劣。

质量评估与诊断式基准

• UVE-Bench（Liu 等，2025）：按细粒度维度做成对比较，并有人类偏好标注。论文称基于偏好的打分对模型推理过程提供的信息有限。
• VF-Eval（Song 等，2025）：把评测做成诊断式问答。论文称问答式评测可能让模型利用数据集偏差。

鉴真与伪影定位

• AEGIS（Li 等，2025）：提供多模态特征标注，用来评模型推理链。
• GenBuster-Bench（Wen 等，2025）：用 MLLM-as-a-Judge 评鉴真预测的理由。
• ViF-Bench（Li 等，2025）：按分层伪影分类做时空定位，要求时间戳和边界框。

论文对现有基准的总评是：通常只在单一范式下评测，场景偏窄，主要看写实 AIGC 视频。Table 1 还列出各项的任务数、视频数、样本数、场景、难度层级、标注者和评测方面数。

基线与本文定位

• 对照：实验对照是 Table 2 的 Human Expert；作者另以二选一任务的随机猜测（约 50%）作参照。评测数据即 Artifact-Bench。Skyra、BusterX++、VideoVeritas 在表中是被测专用模型，不是单独列出的方法基线。
• 定位：作者称本文用 RVAC、PVRC、AID 把粗粒度鉴真接到细粒度伪影推理，并覆盖写实、anime 和 CG 风格。

Artifact-Bench 先定三层真实性伪影分类，再设由粗到细的三项任务，并用混合数据、人工质检和 L1-L3 难度分层支撑评测。

三层伪影分类

• 怎么建成：作者反复查看公开 AIGC 视频，包括写实、风格化，以及旨在模拟真实外观或运动的计算机生成画面，合并重叠失败模式，得到 Figure 1。
• 三层结构：顶层按感知与推理深度分为 Surface Artifacts、Structural Defects、Temporal-Semantic Violations。中层是失败族，如 Color & Exposure、Camera & Lens、Image Quality & Texture，以及身份、形态、空间深度、功能结构和光学一致性；时序-语义侧覆盖运动、因果、常识和场景连续性。最细层是 30 个可观察失败模式。第 3.1 节举例 Texture Inconsistency、Irreversibility Violation、Cross-Shot Coherence；Figure 1 文字里场景连续性下可见 Spatial Coherence，未见 Cross-Shot Coherence 这一字符串。
• 标签约定：分类用于诊断，不要求互斥。一段视频可同时有多个伪影，一个可见失败也可跨层，因此支持多标签。

三项任务

• RVAC：输入单段视频，判断是否为 AI 生成，输出 Yes 或 No。每段真实视频配一段语义相近的生成视频，使判断落在真实感线索而非语义差异。附录 A 的任务提示还规定：传统 CG、动画管线、游戏引擎或专业渲染不算 AIGC。
• PVRC：输入两段 AI 生成视频，在 video A 与 video B 中选看起来更真实的一段。两段语义相近。附录提示要求按伪影的轻重、频率和可感知性比较，不要只看风格、分辨率或高层语义。
• AID：给定生成视频，从 6 个选项中选出全部成立的细粒度标签。选项来自 30 类；正确项是视频中清楚可见的标签，干扰项来自语义相关或易混淆类型，通常在同一或相邻失败族。

数据构建

• 生成工具：公开网络视频与模型生成并用。Gemini 3.1 Pro 写详细字幕；生成模型包括 Kling-2.5、Kling-2.1、Veo 3、HunyuanVideo-1.5、daVinci-MagiHuman、LTX-2.3、Wan2.2。
• 分任务做法：RVAC 用真实视频的字幕生成语义对齐的对应视频。PVRC 有两条路：用高质量 AI 视频的字幕再生成更不真实的对应视频；或同一提示生成多段，再选语义相近但真实感不同的对。AID 先收集已呈现特定伪影的网络视频；少见伪影则用提示故意诱发失败，生成后再人工挑选。论文未给出这些诱发提示的原文。

标注、难度与规模

• 质检：每段 AI 视频由 3 名有经验标注者独立标注，三人一致才接受；否则另由 2 人做第二轮。接受样本再经 2 名有行业经验的专家复核。
• 难度：作者称难度判断有主观性，故每条由 3 名专家独立评级；不一致时再加 2 人，讨论后多数表决。任务 1 和 3：L1 为低真实感、伪影明显，L3 为高真实感、难区分。任务 2：L1 为真实感差异清楚，L3 为真实感接近、伪影细微。
• 规模：1,350 段视频、1,100 条标注样本（第 3.4 节，与 Table 1 一致）。附录 Table 3 的问答数为 RVAC 500、PVRC 250、AID 350；该表题写 RealVideo-Bench，正文称这些数字属于 Artifact-Bench。样本覆盖五大类、20 个场景，以及不同时长、分辨率和主体构成；各类占比正文未给数字，见 Figure 4。

答案如何判定

• 抽取：附录 A.3 用 Gemini 3.1 Pro 从可能含长推理的回复中抽取最终答案；没有明确最终答案则标为 Invalid。论文未说明 Invalid 是否计入错误，也未写出 AID 多标签是整组全对还是部分计分。
• 参照：第 4 节以准确率报告结果。作者称 RVAC、PVRC 为二选一，随机猜测约 50%。附录 A 给出三份任务提示和三份抽取提示。

实验设置

• 被测模型：第 4.1 节称共 19 个：2 个专有、14 个开源通用、3 个开源专用。Table 2 实际分列 19 行：Gemini 3.1 Pro、Gemini 3 Flash；Qwen3-VL 的 8B/30B-A3B/32B，各有 Instruct 与 Thinking；InternVL3.5 8B、30B-A3B、38B；Molmo2 8B；MiMo-VL 7B-SFT 与 7B-RL；Keye-VL-1.5 8B；Skyra 7B-SFT 与 7B-RL、BusterX++ 7B、VideoVeritas 8B。正文的“14 与 3”和表中的通用/专用行数对不上，以下以表为准。
• 数据与对照：Artifact-Bench，1,350 段视频、1,100 条样本。附录 Table 3（表题写 RealVideo-Bench）：RVAC 的 L1/L2/L3 为 250/149/101，PVRC 为 125/87/38，AID 为 140/157/53。对照为 Table 2 的 Human Expert；第 4.2 节另请四位人类专家人工评测。论文未说明这四人的分数如何汇成表中一行，也未说明与标注人员是否重叠。
• 指标：准确率。各任务报 L1-L3 与 Avg；Total 为跨任务总分，论文未给汇总公式。作者称二选一随机猜测约 50%。论文未报告重复次数和统计检验。
• 解码：默认 5 fps；必要时做帧缩放。有官方推荐则采用，例如 Gemini 3.1 Pro 的 temperature 为 1.0、thinking_level 为 high；否则默认贪心解码（附录 A）。最终答案由 Gemini 3.1 Pro 抽取。

主结果

据 Table 2，数字为该表列出的准确率。只列 Total 最高、最低、专用模型中 Total 最高，以及人类对照；省略行在表后说明。

Swipe horizontally to read the table

模型	RVAC Avg	PVRC Avg	AID Avg	Total
Gemini 3.1 Pro	74.0	48.6	9.8	47.5
Gemini 3 Flash	64.7	50.9	9.8	43.8
VideoVeritas 8B	68.2	53.1	7.8	46.0
Qwen3-VL 32B-Instruct	53.5	50.8	7.3	39.5
BusterX++ 7B	52.0	42.5	5.3	36.2
InternVL3.5 8B	48.2	46.5	3.9	34.5
Skyra 7B-SFT	49.2	21.1	5.7	29.4
Human Expert	93.6	86.4	80.3	87.7

省略的 Total：Qwen3-VL 8B-Instruct 36.0、8B-Thinking 33.3、30B-A3B-Instruct 35.5、30B-A3B-Thinking 36.3、32B-Thinking 37.3；InternVL3.5 30B-A3B 33.8、38B 34.7；Molmo2 8B 34.5；MiMo-VL 7B-SFT 35.4、7B-RL 35.7；Keye-VL-1.5 8B 33.8；Skyra 7B-RL 32.0。

• 作者称 Gemini 3.1 Pro 是得分最高的模型；多数 MLLM 在更高难度上不能稳定超过二选一的随机参照。Table 2 全部 19 个模型的 AID Avg 都低于 10%，与作者“全部模型 AID 平均准确率低于 10%”一致；人类专家不在此列。
• 作者称模型或能在粗粒度上感到不真实，但仍难以点明不真实的原因。作者称即便最强的专有模型与人类专家仍有差距。
• 作者称专有模型在三项任务上持续更强。Table 2 有反例：VideoVeritas 8B 的 PVRC Avg 高于两款 Gemini，Total 也高于 Gemini 3 Flash；Qwen3-VL 32B-Instruct 的 PVRC Avg 高于 Gemini 3.1 Pro。

难度层级与人类偏好

• 测了什么：同一张 Table 2 上，看 L1 到 L3 是否随难度下降。人类三项都下降：RVAC 为 95.6、92.6、90.1；PVRC 为 88.0、86.2、81.6；AID 为 82.9、79.0、77.4。
• 模型并不单调下降：Gemini 3.1 Pro 的 RVAC 为 68.4、76.5、77.2，随难度上升；Gemini 3 Flash 的 AID 为 8.6、9.6、11.3，同样上升。Skyra 7B-SFT 的 PVRC 三级为 19.2、23.0、21.1。
• 作者解读：作者认为模型没有稳定按人类定义的难度层级判断，可能依赖表层语义线索、数据偏差或与感知真实感关系弱的捷径。作者认为这会限制把 MLLM 用作视频生成的奖励或自动评审。

细粒度与跨帧失败案例

• 图注内容：Figure 5（a）写桨穿过船壳，伪影只占画面很小一部分；（b）写足球从两个变成一个再变回两个，需要多帧跟踪。正文未给出这两例对应的模型名或错误率。
• 作者解读：作者认为局部异常可能在视觉 token 压缩或全局特征汇聚中被压掉；跨帧不一致无法只靠单帧识别。作者认为当前 MLLM 常依赖稀疏抽帧和粗时间建模。

规模与显式推理

• InternVL3.5 38B 的 Total 为 34.7、RVAC Avg 为 48.2，与 8B 的 34.5、48.2 接近（Table 2）。作者以此为例，称放大模型不一定提高伪影检测。
• Qwen3-VL 8B-Thinking 的 Total 为 33.3，低于 8B-Instruct 的 36.0；32B-Thinking 为 37.3，低于 32B-Instruct 的 39.5。作者认为加入通用推理过程不一定增强对细微时空不一致的感知。

其他消融与分析

• Qwen3-VL 30B-A3B-Thinking 的 Total 为 36.3，高于 Instruct 的 35.5（Table 2）。
• MiMo-VL 7B-RL 的 Total 为 35.7，SFT 为 35.4；Skyra 7B-RL 为 32.0，SFT 为 29.4。
• Skyra 7B-RL 的 PVRC Avg 为 25.7，SFT 为 21.1，均低于作者给出的约 50% 参照。
• InternVL3.5 30B-A3B 的 PVRC L3 为 23.7，Avg 为 36.6。
• AID Avg 最低为 Keye-VL-1.5 8B 的 2.7，其次 MiMo-VL 7B-SFT 的 2.8；后者 L3 为 0.0，InternVL3.5 38B 的 AID L3 亦为 0.0。
• Gemini 3.1 Pro 的 AID 从 L1 的 19.3 到 L3 的 3.8；其 PVRC L1 为 45.6，低于 L2 的 52.9。

作者指出的局限与后续方向

• 专家与规模：附录 C 称，由于资源约束，人类专家人数和数据集规模还可以再扩大。
• 后续数据：附录 C 称，未来工作将扩大该基准，纳入更多样的视频来源、伪影类型和专家标注。作者计划这样做，论文未称已经完成。
• 模型方向：结论称，这些发现指出未来 MLLM 需要更强的细粒度、时空，以及与人类对齐的真实感理解。

实验覆盖范围

• 主表覆盖 19 个 MLLM 加 Human Expert，三项任务都有 L1-L3（Table 2）。问答条数见附录 Table 3，其中 PVRC 的 L3 为 38、AID 的 L3 为 53。
• 场景在 Table 1 写为 Real & Stylized；正文另写写实、动画/anime 和 CG，并称五大类、20 个场景（第 3.4 节）。正文未给出五大类的名称和占比。
• 字幕用 Gemini 3.1 Pro；生成模型为 Kling-2.5、Kling-2.1、Veo 3、HunyuanVideo-1.5、daVinci-MagiHuman、LTX-2.3、Wan2.2（第 3.3 节）。评测默认 5 fps，答案抽取也用 Gemini 3.1 Pro（附录 A）。
• 标注协议为 3 人一致，否则另 2 人复核，再经 2 名行业专家核验；难度评级同样可加至 5 人后多数表决（第 3.3 节）。人类评测另邀四位专家（第 4.2 节）。
• 论文未报告重复次数、标注者一致性的数值、统计检验、Total 的汇总公式，以及 AID 多标签匹配规则和 Invalid 如何计分。

Artifact-Bench 用来看 MLLM 能否发现 AI 生成视频中的伪影，并说明视频为何不真实。

• 问题：生成质量上升后，时序、结构和语义类缺陷仍然常见。作者认为现有基准往往只做鉴真、偏好或定位中的一种，且偏写实，因此分不清模型是在看伪影，还是在用语义先验。
• 做法：三层分类，最细 30 类，不要求互斥。三项任务分别是单视频真假判断、两段生成视频的真实感比较，以及从 6 个选项中选出全部可见伪影。数据混合网络视频与七个生成模型的输出，经多人标注和 L1-L3 分层，共 1,350 段视频、1,100 条样本。
• 结果：Table 2 中 Total 最高为 Gemini 3.1 Pro 的 47.5。19 个模型的 AID Avg 都低于 10%，人类专家的 AID Avg 为 80.3、Total 为 87.7。VideoVeritas 8B 的 PVRC Avg 为 53.1，高于两款 Gemini。Skyra 7B-SFT 的 PVRC Avg 为 21.1。人类准确率随难度下降，部分模型在更难子集上反而更高。
• 作者结论：作者称许多模型接近或低于随机参照，判断也未稳定跟随人类难度层级，这限制了把它们用作通用评测者或奖励提供方。结论称未来模型需要更强的细粒度、时空和人类对齐的真实感理解。附录 C 称专家人数和数据规模还可扩大。