这篇于2026年6月24日提交至arXiv的论文《What Do Deepfake Benchmarks Measure? An Audit Using Frozen Self-Supervised Representations》，由Samuel Pagon等四位作者完成，共14页、含9张图，归类于计算机视觉与模式识别（cs.CV）。论文提出一个值得深思的问题：当前的深度伪造（deepfake）基准测试究竟在衡量什么能力？
研究动机来自一个现实矛盾。随着深度伪造生成器在感知层面越来越难以与真实内容区分，可靠检测变得至关重要；然而，在基准测试中得分优异的检测器，往往在真实场景中失灵。作者指出，这一领域已经出现了令人担忧的反馈回路：基准测试不断驱动研究者构建更复杂、更工程化的检测器，但如果这些基准本身并不能反映现实中的深度伪造威胁，那么这种复杂度可能是在解决一个完全错误的问题。因此在追问检测器有多强之前，需要先回答一个更根本的问题——这些基准究竟测量了什么。
为回答这一问题，作者设计了一种刻意简单的诊断方法，对视频、图像和音频三种模态的深度伪造基准进行审计。其核心逻辑是：如果在冻结的、通用自监督表征之上仅训练一个线性探针，其性能就能接近专门定制的检测器，那么该基准很大程度上奖励的只是通用的模态理解能力，而非真正的取证（forensic）理解能力。换言之，高分可能并不代表检测器学会了识别伪造痕迹。
实验结果在三种模态上一致支持这一判断：通用自监督表征上的线性探针，其表现与专门定制的检测器相当接近。此外，作者还表明，不同生成器之间的难度差异，可以在同一表征空间内由Fréchet几何部分解释。
作者据此提出“基准审计”的视角：在把高分解读为取证理解能力的证据之前，值得先问一句——这个基准中有多大一部分，其实已经被通用表征解决了。这一结果有两重含义：其一，现有基准可能并未反映真实的威胁模型；其二，那些被线性探针追平的专用检测器，是否真的在学习取证层面的知识，也成为一个需要重新审视的问题。