في ظل الثورات المستمرة التي يشهدها عالم الذكاء الاصطناعي، يأتي بروبوستسورا (RobustSora) ليشكل علامة بارزة في مجال تقييم المحتوى السمعي البصري. يُعنى هذا المعيار الجديد بالكشف عن الفيديوهات المولدة من قبل الذكاء الاصطناعي، ويتجاوز العقبات التقليدية التي كانت تعوق مصداقية المعلومات.

تعتبر ميلاد نماذج الفيديو المدعومة بالذكاء الاصطناعي تحدياً كبيراً للحفاظ على نزاهة المعلومات والثقة الرقمية. إذ تقتصر معظم أدوات القياس السابقة على فعالية الكشف استناداً إلى وجود علامات مائية مرئية تتعلق بتتبع المصدر، مما يثير تساؤلات حول مدى قدرة نماذج الكشف على التعرف بفعالية على السمات الجوهرية للفيديوهات المولدة.

تحتوي مجموعة بيانات بروبوستسورا على 6,500 فيديو موزعة عبر أربعة تصنيفات رئيسية: الأصلي النظيف (Authentic-Clean)، المولد مع علامات مائية (Generated-Watermarked)، المولد بدون علامات مائية (Generated-DeWatermarked)، والأصلي المزوّر (Authentic-Spoofed). تم جمع هذه الفيديوهات من مصادر موثوقة مثل Vript وDVF وتطبيقات مولدة عدة مثل Sora وPika.

يتم تقديم اختبارين رئيسيين في هذا البحث: اختبار (Watermark Erasure Robustness) الذي يختبر كفاءة الأدوات في الكشف عن الفيديوهات التي تم إزالة علامات مائية منها، واختبار (Watermark Spoofing Robustness) الذي يقيس معدل الإنذارات الكاذبة ضد فيديوهات أصلية تم حقنها بعلامات مائية مزيفة. تظهر النتائج أن عمليات معالجة العلامات المائية تتسبب في تغييرات دقيقة في دقة الكشف تتراوح بين -9.4 إلى +1.6 نقطة.

وتم أيضاً تقديم فحص تفصيلي يعكس أداء كل مولد على حدة، حيث أثبت مولد Sora 2 أنه يُحدث انخفاضًا في الدقة يتراوح بين -11 إلى -14 نقطة، في حين أن Pika وOpen-Sora 2 يُظهران تراجعاً أقل.

تسلط هذه الدراسة الضوء على أهمية وجود تقييم وتدريب واعٍ بوجود العلامات المائية في أدوات كشف الفيديوهات المولدة بالذكاء الاصطناعي. ومن المقرر أن تُنشر مجموعة البيانات، ورمز التقييم، والنقاط المعززة المُعدة مسبقًا لتعزيز الفائدة العامة.