في عصر تتزايد فيه الصور المُولَّدة بالذكاء الاصطناعي (AI) بشكلٍ مستمر، أصبح من الضروري تطوير أدوات فعّالة للكشف عنها. هنا تأتي تقنية SPARED، التي تمثل ثورة في هذا المجال. تعالج هذه التقنية التحديات التي تواجهها أنظمة الكشف الحالية، حيث تعتمد على مفهوم التعلم بواسطة المعزز (Reinforcement Learning) من خلال مواجهة نموذجين مختلفين.

تعمل SPARED من خلال محاربة نموذج محرر صور يعتمد على تقنيات تحويل الصور من شكلها الحقيقي إلى شكل مُزيف، بحيث يهدف إلى خداع النظام الحالي للكشف. في المقابل، يتطور نموذج reasoning MLLM لتقديم تبريرات تحليلية للنتائج، مما يضمن أن القرارات ليست مجرد استناد إلى نماذج ثابتة أو بيانات مسبقة، بل تعتمد على تفكير نقدي ومرن.

هذا النظام الديناميكي يجعل من الصعب على المخادعين استخدام نفس الأساليب مرارًا، لأنه في كل جولة، تتكيف نماذج التهديد والدفاع لتحسين أدائها. ونتيجةً لذلك، تظهر جودة التفسيرات في كل جولة بشكل تدريجي، مما يساعد على تقديم معلومات أوضح حول العمليات التي يتم تنفيذها.

أظهرت التجارب أن النظام يتمكن من تحسين أدائه بشكل دوري عبر ثلاثة معايير خارجية مختلفة، مؤكدًا على فعالية هذه التقنية الجديدة في الحفاظ على أمان البيئة الرقمية من الصور المزيفة.