RA-Bench：AI 生成的「危机现场」视频，现有检测器挡得住吗？

五位审核员都判为真的生成视频，检测器也基本认不出

3 分钟版

问题　现有 AI 生成视频检测基准很少覆盖真实危机场景，也缺少关于生成条件、人类感知和社交传播如何影响检测的证据。

思路　以真实视频为锚：收集 675 段真实危机视频，切分审核后保留 1,830 个真实片段，覆盖 10 个社会风险大类；用每个片段的首帧和统一描述驱动 4 个开源、5 个闭源生成模型，得到 16,056 个配对生成片段，并统一重新编码。

结果　传统检测器的 AUC 从公开参考的 67.6–98.6% 降到 43.9–57.3%；最强的零样本模型 Gemini-3.1-Pro-Preview 二分类平衡准确率 63.4%；五位审核员都判为真的 633 个生成视频上，各类检测器基本接近随机；模拟传播处理后，微调检测器的生成视频召回率从 46.0% 降到 1.4%（作者自报）。

所以呢　检测器的可靠性是有条件的：换一个生成模型、换一种提示、经过一次转发，结论就可能失效。单靠「事后检测」难以应对危机场景的虚假视频。

关键数字

• 43.9–57.3% 传统检测器在 RA-Bench 上的平均 AUC 区间（§4.1.1）
• 63.4% 最强零样本模型的二分类平衡准确率（Gemini-3.1-Pro-Preview）（§4.1.2）
• 40.7% 人类识别出 Seedance2.0 生成视频的比例（§4.3.1）
• 1.4% 传播模拟后微调检测器的生成视频召回率（§4.3.3）

局限与疑问

• 只覆盖首帧驱动的图生视频。
• 生成时长限制在 2–8 秒。
• 人类评审规模有限。
• 传播模拟为固定组合。
• 生成模型迭代快，结论有时效性。

arXiv 摘要页 · PDF