Detectar vídeo gerado por IA deixou de ser um problema de classificação de quadro único. Os artefatos que denunciam uma síntese podem durar poucos quadros, aparecer num canto da cena ou depender da trilha sonora.
No artigo WeVisForensics, Yipeng Du, Yuxi Li, Ying Zhang, Chong Sun, Chen Li, Jing Lyu e Ying Tai propõem tratar a detecção como uma investigação conduzida por agentes. Um investigador principal decide o que inspecionar, onde e quando.
Uma biblioteca de inspetores especializados evolui a partir das próprias chamadas que recebe.
Os autores relatam 95,2% de acurácia média em benchmarks in-domain, out-of-domain e agênticos. É 9,0 pontos acima do detector anterior mais forte na comparação apresentada.
O que os autores propõem
O WeVisForensics é um framework agêntico com dois níveis. No topo, um agente investigador planeja a apuração e emite um veredito final.
Abaixo, uma Biblioteca de Sub-agentes Forenses (FSL) examina o vídeo sob perspectivas complementares e devolve evidência estruturada.
A biblioteca cobre seis perspectivas. São quatro inspetores visuais (aparência, consistência física, bom senso e texto em tela) e duas ferramentas de áudio, acionadas quando existe trilha sonora.
O pacote tem três contribuições declaradas. A primeira é o DTPO (Dual-Timescale Policy Optimization), algoritmo de aprendizado por reforço em que investigador e inspetores coevoluem a partir de interações compartilhadas, em escalas de tempo diferentes.
A segunda é o próprio WeVisForensics, no qual a estratégia de acionamento e a competência dos sub-agentes são aprendidas conjuntamente. A terceira é o ForenCue-30K, dataset com supervisão decomposta por papel forense e trajetórias agênticas.
O ForenCue-30K vem acompanhado do AgenticCue, descrito como o primeiro benchmark agêntico que avalia a acurácia do veredito, e também se o agente aciona os sub-agentes relevantes.
A página do projeto está em tencent.GitHub.io/WeVisForensics.
Contexto: qual problema está sendo atacado
Os autores situam o trabalho em duas lacunas de métodos baseados em modelos multimodais de linguagem. A primeira é o raciocínio holístico de passada única.
Abordagens centradas em chain-of-thought julgam o vídeo inteiro de uma vez, com um único modelo cobrindo todos os tipos de artefato.
Artefatos confinados a um intervalo breve ou a uma região pequena são facilmente perdidos ou racionalizados por justificativas alucinadas. As afirmações ficam emaranhadas num traço livre que não pode ser verificado nem supervisionado individualmente.
A segunda lacuna é a de fluxos estáticos ou aprendizado só do coordenador. Detectores baseados em agentes ou executam um pipeline fixo de especialistas, ou treinam apenas o coordenador sobre especialistas congelados.
O paper cita o ARGUS como exemplo. Ele coleta quatro relatórios de especialistas e congela os observadores enquanto treina o juiz, de modo que relatórios irrelevantes podem pesar mais do que aquele que encontrou o artefato.
Detectores aumentados por ferramentas aprendem quando invocar ferramentas, mas mantêm os backends fixos.
Em ambos os casos, o teto é a acurácia local dos sub-agentes congelados. Um inspetor que não vê uma pista sutil limita o que roteamento ou agregação podem recuperar.
Há ainda um problema de dados. Os datasets forenses existentes supervisionam um único detector com veredito ou justificativa holística, sem evidência específica por papel nem trajetórias de coordenação.
Como funciona
A investigação começa com uma visão geral. Quadros amostrados a aproximadamente 1 FPS ao longo de toda a duração são reduzidos a no máximo 16, cada um com timestamp absoluto, além da duração e de um indicador de presença de áudio.
A cada turno o investigador emite uma mensagem estruturada com um campo de raciocínio e uma ação. A ação chama uma ferramenta com argumentos: uma janela temporal para inspetores baseados em janela, um timestamp único para OCR, nenhum argumento para as ferramentas de áudio.
Ou encerra a apuração com um veredito real/fake.
O protocolo é restritivo por desenho. São no máximo quatro chamadas, nenhuma repetida, escopos dentro do vídeo e nenhuma ferramenta de áudio em vídeos silenciosos.
A resposta final só é admissível depois de ao menos uma chamada bem-sucedida, e a investigação tem no máximo cinco turnos do assistente. Trajetórias com mensagens malformadas ou violações de regra contam como erro.
Os autores instruem o investigador a escolher o menor conjunto suficiente de inspeções, mantendo escopos temporais dentro de um plano contínuo. Em vídeos com mais de 30 segundos, a orientação é mirar um evento localizado, normalmente numa janela de 15 segundos.
Os inspetores de janela recebem quadros decodificados a 2 FPS com timestamps e seguem checklists específicos. O de aparência verifica estabilidade de textura sob movimento, integridade de detalhes finos e fronteiras (cabelo, dedos, dentes, objetos pequenos), mudanças inexplicadas de nitidez, ghosting e coerência de iluminação, sombras e reflexos.
O físico checa movimento biológico e cinemático, integridade estrutural, permanência de objeto sob oclusão, contato e preensão, dinâmica de fluidos e materiais deformáveis. O de bom senso checa causalidade, consistência contextual, affordances e ordem de eventos.
Todos reportam issue, no_issue ou inconclusive, com confiança alta, média ou baixa, e explicação que cita timestamps dentro do escopo.
O inspetor de OCR é um pipeline de três estágios sobre um único quadro escolhido pelo investigador, usando PaddleOCR para localizar e reconhecer linhas de texto, com roteamento por presença de texto. A justificativa é concreta: geradores ainda erram tipografia, com glifos que começam legíveis e fundem, quebram, derivam ou derretem ao longo do clipe.
O texto ocupa fração pequena do quadro, e a estrutura fina do traço se perde quando o quadro é redimensionado para o modelo de visão-linguagem.
No treinamento, o DTPO resolve um problema de alvo móvel. Como o investigador decide quais entradas os inspetores veem e as respostas moldam suas decisões, atualizar ambos a cada batch faria cada um perseguir o outro.
O investigador é atualizado a cada batch de rollouts com recompensas de resultado e feedback por chamada. Os inspetores acumulam as chamadas emitidas, mantêm as que estão ancoradas em intervalos de artefato anotados e selecionam respostas com feedback de interação para destilação privilegiada.
Revisam suas "skill cards" de regras de reporte e periodicamente atualizam a FSL. Os inspetores refinados voltam aos rollouts seguintes: o ambiente do agente é ele mesmo.
Resultados reportados
Segundo os autores, o WeVisForensics atinge 95,2% de acurácia média em benchmarks in-domain, out-of-domain e agênticos, 9,0% acima do detector anterior mais forte, fundamentando os vereditos em evidência localizada.
O paper também relata que o dataset ForenCue-30K combina anotações forenses específicas por papel e trajetórias de interação, com um pool de aprendizado por reforço. O AgenticCue agrupa vídeos gerados por categoria forense e avalia acurácia e precisão de chamadas.
Limitações e o que não foi provado
O extrato disponível cobre introdução, protocolo e parte do método, e não traz a tabela completa de resultados. Ficam em aberto o desempenho por benchmark individual, a variância entre execuções, as ablações que isolam o DTPO, o custo por vídeo e a latência de uma investigação de até cinco turnos com até quatro chamadas.
O próprio protocolo impõe um teto. Quatro chamadas e cinco turnos podem ser insuficientes para vídeos com múltiplos artefatos independentes ou com evidência ambígua distribuída.
O orçamento é uma escolha de engenharia, não uma propriedade do problema.
As ferramentas de áudio permanecem fixas por princípio declarado: apenas a política de investigação e os inspetores visuais evoluem. Artefatos sonoros sutis continuam limitados pela qualidade do backend.
O OCR depende de um único quadro escolhido pelo investigador e do PaddleOCR. Um erro de seleção ou de detecção compromete o canal mais diagnóstico descrito no paper.
Há também riscos de generalização que o material não quantifica. A coevolução sobre chamadas do próprio investigador pode especializar os inspetores na distribuição de geradores do pool de treino.
Os benchmarks são, em parte, curados pelos próprios autores. Não há, no extrato, avaliaç ão de robustez adversarial, recompressão ou edição pós-síntese.
A instrução de não tratar cortes, motion blur, compressão, estilização e animação como anomalias é uma salvaguarda textual, não um resultado medido.
Por que isso importa para quem constrói com IA
Para quem monta sistemas agênticos, o paper vale menos pelo número final e mais pelo desenho. Três padrões são reaproveitáveis.
Primeiro, separar planejamento de percepção. O orquestrador decide o quê e onde, o especialista decide se o artefato de sua alçada está presente no escopo pedido.
Isso permite escalar o planejamento com a complexidade da entrada sem inflar o modelo que julga cada detalhe.
Segundo, decompor a evidência por papel. Cada inspeção devolve veredito, confiança calibrada e explicação ancorada em timestamps, o que torna cada achado auditável e creditável isoladamente.
Em forense de mídia, moderação de conteúdo e verificação jornalística, um veredito sem evidência localizada é quase inútil na prática.
Terceiro, treinar os especialistas com o tráfego que o orquestrador gera. O argumento central dos autores é que otimizar só a política de investigação não melhora a capacidade forense de especialistas fixos.
Quem opera pipelines com sub-agentes congelados herda exatamente esse teto.
O contraponto é o custo. Evoluir pesos e regras exige anotação de intervalos de artefato, destilação privilegiada e um ciclo de atualização periódica da biblioteca.
É infraestrutura que a maioria dos produtos não tem.
O AgenticCue aponta para uma mudança de avaliação: medir não apenas se o sistema acertou o veredito, mas se acionou o especialista certo. Para quem publica benchmarks internos, é um lembrete de que acurácia de ponta a ponta esconde falhas de processo que só aparecem quando se olha o caminho.
Referências
- DU, Yipeng; LI, Yuxi; ZHANG, Ying; SUN, Chong; LI, Chen; LYU, Jing; TAI, Ying. WeVisForensics: Self-Evolving Agent for Omni AI-Generated Video Detection. arXiv:2611.21373, cs.CV, 2026. Disponível em: arXiv.org/abs/2611.21373.
- Página do projeto: tencent.GitHub.io/WeVisForensics.




