في عالم تتزايد فيه حالات تزوير الصور، برزت الحاجة إلى أدوات أكثر فاعلية ودقة في كشف هذه التلاعبات. يأتي هنا دور "فورينجنت" (ForenAgent)، إطار العمل التفاعلي الجديد الذي يعيد تعريف كيفية الكشف عن تزوير الصور (Image Forgery Detection - IFD).

تستخدم الطرق التقليدية للكشف عن تزوير الصور إما أساليب تعتمد على آثار منخفضة المستوى (Low-level artifacts) أو تعتمد على نماذج لغات ضخمة متعددة الأنماط (Multimodal Large Language Models - MLLMs) بالاستفادة من المعرفة عالية المستوى، مما يجعل من الصعب تحقيق التوازن بين هذه الأساليب المتباينة.

ولمعالجة هذا التحدي، قامت مجموعة من الباحثين بتطوير "فورينجنت"، الذي يُمكّن نماذج MLLMs من توليد وتنفيذ وتكرار أدوات برمجية تعتمد على بايثون (Python) حول هدف الكشف، مما يُعزز من مرونة التحليل وقابليته للتفسير.

يعتمد "فورينجنت" على عملية تدريب مكونة من مرحلتين: مرحلة البداية الباردة (Cold Start) والتدريب المعزز (Reinforcement Fine-Tuning) لزيادة القدرة على التفاعل مع الأدوات ومرونة التفكير بشكل تدريجي.

من خلال تصميم حلقة تفكير ديناميكية تتضمن الإدراك الكلي، والتركيز المحلي، والاستقصاء التكراري، والحكم الشامل، وُضعت استراتيجية مباشرة لجمع البيانات كمكافأة متوافقة مع المهام.

لتدريب تقييم منهجي، تم بناء قاعدة بيانات "FABench"، التي تضم 100,000 صورة و200,000 سؤال-جواب حول تفاعلات الوكلاء. أظهرت التجارب أن "فورينجنت" يمتلك كفاءة جديدة في استخدام الأدوات والتفكير الانعكاسي في المهام المعقدة للكشف عن تزوير الصور، مما يفتح الطريق نحو تطوير أدوات كشف عامة.

مع انتظار إطلاق الشيفرة البرمجية بعد استكمال عملية المراجعة، يبقى السؤال: كيف سيساهم هذا التطور في تحسين الأمان الرقمي؟ شاركونا آراءكم في التعليقات.