GenSyn10：用於基準測試圖像分類的多生成式AI數據集
GenSyn10是一個包含6萬張合成圖像的數據集，與CIFAR-10對齊，使用三種架構不同的生成模型創建，旨在推進AI生成圖像檢測研究。評估顯示，模型在已知生成器上表現良好，但在未知生成器上性能顯著下降，凸顯了分佈外泛化的侷限性。
隨着生成式AI技術的飛速發展，其生成內容的檢測能力卻未能同步跟上，尤其是當檢測器面對從未見過的生成模型時，性能往往大幅下降。為了填補這一研究空白，來自學術界的研究團隊推出了GenSyn10——一個專門為基準測試圖像分類而設計的多生成式AI合成圖像數據集。該數據集與經典的CIFAR-10基準對齊，包含6萬張32x32像素的彩色圖像，覆蓋10個物體類別，其中訓練集5萬張，測試集1萬張。
GenSyn10的獨特之處在於，它使用了三種架構截然不同的頂尖生成模型來生成圖像：FLUX.2-dev（一種整流流Transformer）、HunyuanImage-3.0（混合專家MoE Transformer）和Qwen-Image-2512（多模態擴散Transformer）。研究團隊通過基於模板的提示引擎生成圖像，並統一降採樣至32x32分辨率，以確保數據一致性。這一設計使得GenSyn10成為評估檢測器對未知生成器泛化能力的標準化工具，解決了以往研究僅針對單一生成器進行測試的侷限性。
在實驗部分，研究團隊評估了17種主流的圖像分類模型，採用四階段協議：真實數據基線、零樣本遷移、微調以及保留測試。結果表明，儘管存在可測量的域間差距，但CIFAR-10訓練模型在GenSyn10上零樣本準確率最高可達96.86%，經過微調後更是提升至99.88%。然而，在區分真實圖像與合成圖像的二分類任務中，微調模型對已知生成器生成的圖像準確率高達97-99.9%，但對來自未知生成器的圖像，準確率驟降至79-96%。這一顯著差距凸顯了分佈外（OOD）泛化能力的持續瓶頸。
GenSyn10的發佈為AI生成內容檢測領域提供了一個受控且系統的基準平台，有助於推動魯棒性、域適應以及跨生成器泛化等方向的研究。隨着生成式AI的快速迭代，此類基準將成為確保技術安全與可信賴的重要工具。