深度偽造基準測試到底衡量了什麼？一項使用凍結自監督表示的審計

深度偽造生成技術日益精進，生成的偽造內容在感知上幾乎難以與真實內容區分，這使得可靠的檢測技術變得至關重要。然而，一個令人擔憂的現象是：在標準基準測試中表現優異的檢測器，在現實場景中卻頻頻失效。研究人員指出，這背後存在一個危險的反饋循環：基準測試驅動着研究者開發越來越複雜、定製的檢測器，但如果這些基準測試本身不能反映真實的深度偽造威脅，那麼這種複雜性可能只是在解決一個錯誤的問題。因此，一個前提性問題亟待解答：這些基準測試究竟在測量什麼？

來自多所大學的研究團隊（包括Samuel Pagon等四位作者）對視頻、圖像和音頻三大模態的深度偽造基準進行了一項系統審計。他們採用了一種有意簡化的診斷方法：在凍結的通用自監督表示上訓練線性探針（linear probe）。如果這樣一個簡單的探針能夠接近專門設計的檢測器的性能，那就意味着基準測試在很大程度上獎勵的是通用的模態理解能力，而非真正的鑑偽能力。這一發現有兩個重要含義：第一，這些基準可能並不反映真實的威脅模型；第二，它引發了一個更深層次的問題——那些被線性探針所逼近的專用檢測器，是否真的在學習鑑偽理解，還是隻是利用了通用表示？

實驗結果表明，在三種模態下，基於通用自監督表示的線性探針都緊密地逼近了專用檢測器的表現。研究團隊進一步發現，生成器級別的難度差異可以通過同一表示空間中的弗雷歇幾何（Frechet geometry）部分解釋。這些結果共同支持了一種“基準審計”視角來看待深度偽造檢測：在將高分解讀為鑑偽理解的證據之前，必須先問一問，基準中的多少性能已經被通用表示“解決”了。

該研究已於2026年6月24日提交至arXiv（論文編號2606.26384），並提供了相關代碼和數據。研究人員希望這項工作能夠促使學界重新審視深度偽造基準的設計，推動開發更貼近實際威脅的評估方法。