隨著生成式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，效能往往大幅下降。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影像分類而設計的多生成式AI合成影像資料集。該資料集與經典的CIFAR-10基準對齊，包含6萬張32x32畫素的彩色影像，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影像：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）。研究團隊透過基於模板的提示引擎生成影像，並統一降取樣至32x32解析度，以確保資料一致性。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種主流的影像分類模型，採用四階段協議：真實資料基線、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，在區分真實影像與合成影像的二分類任務中，微調模型對已知生成器生成的影像準確率高達97-99.9%，但對來自未知生成器的影像，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的釋出為AI生成內容檢測領域提供了一個受控且系統的基準平臺，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。隨著生成式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。