Pangram, AI-डिटेक्शन कंपनी, मशीन-व्युत्पन्न मजकूर ध्वजांकित करण्यासाठी प्रसिद्ध आहे, अधिकृतपणे Pangram Image 1.0 आणि Pangram Image Flash 1.0 लाँच केले आहे, कंपनीने AI-व्युत्पन्न आणि AI-संपादित प्रतिमा आणि व्हिडिओ शोधण्यासाठी एक नवीन अत्याधुनिक मॉडेल सेट केले आहेत. Pangram च्या स्वतःच्या ब्लॉगवर 4 नोव्हेंबर रोजी प्रकाशित झालेली आणि Engadget, Unite.AI आणि Yahoo Tech द्वारे निवडलेली घोषणा, कंपनीने काही महिन्यांपूर्वी जारी केलेल्या संशोधन पूर्वावलोकनाला API समर्थनासह सामान्यतः उपलब्ध उत्पादनामध्ये रूपांतरित करते.

लाँच अशा वेळी आले आहे जेव्हा सिंथेटिक मीडिया अस्सल सामग्रीपासून वेगळे करणे कठीण झाले आहे, दोन्ही कॅज्युअल स्क्रोलरसाठी आणि मॉडरेशन सिस्टम प्लॅटफॉर्मवर अवलंबून आहेत. Pangram ची पैज अशी आहे की समर्पित डिटेक्शन मॉडेल्स, विशेषत: आजच्या फ्रंटियर जनरेटरच्या आउटपुटच्या विरूद्ध प्रशिक्षित, त्या गमावलेल्या सिग्नलपैकी काही पुनर्संचयित करू शकतात.

99.96% अचूकतेसह फ्रंटियर इमेज डिटेक्शन

फ्लॅगशिप पॅनग्राम इमेज 1.0 मॉडेलचे मूल्यांकन कंपनीने स्वतः तयार केलेल्या बेंचमार्कच्या विरूद्ध केले गेले: 100 वास्तविक छायाचित्रे, प्रत्येक 12 फ्रंटियर AI इमेज जनरेटरद्वारे निर्मित सिंथेटिक आवृत्त्यांसह मिरर केलेले, एकूण 1,200 सिंथेटिक प्रतिमांसाठी प्रॉम्प्ट वापरून मूळ फोटोशी जवळून जुळणारे. त्या मूल्यमापन सेटवर, Pangram 99.96% अचूकतेचा अहवाल देतो - एक आकृती जी, जर ती स्वतंत्र छाननीखाली ठेवली तर, कंपनीने त्याच्याशी तुलना केलेल्या व्यावसायिक आणि शैक्षणिक डिटेक्टरच्या तुलनेत मॉडेलला खूप पुढे ठेवले जाईल.

साध्या वास्तविक-किंवा-बनावट निर्णयाच्या पलीकडे, मॉडेल हीटमॅप्स आउटपुट करते जे प्रतिमेमध्ये AI सामग्री कोठे दिसते ते स्थानबद्ध करते. पूर्णपणे सिंथेटिक प्रतिमा आणि स्पर्श न केलेल्या छायाचित्रांमधील वाढत्या सामान्य मध्यम ग्राउंडसाठी हे महत्त्वाचे आहे: AI-व्युत्पन्न पार्श्वभूमीसह विपणन प्रतिमा, जनरेटिव्ह टूल्ससह रीटच केलेले फोटो किंवा व्युत्पन्न घटकांसह वास्तविक विषयांचे मिश्रण करणारे संमिश्र.

Pangram देखील दावा करते की नवीन मॉडेल अशा प्रकारच्या परिवर्तनांसाठी मजबूत आहे जे विश्वासार्हपणे भोळे डिटेक्टरला पराभूत करतात - सोशल मीडिया कॉम्प्रेशन, मुद्दाम अस्पष्टता आणि आवाज आणि कमी अपलोड रिझोल्यूशन. कंपनीचे म्हणणे आहे की त्याच्या मागील संशोधन पूर्वावलोकनासाठी किमान 512x512 पिक्सेलच्या प्रतिमा आवश्यक आहेत, तर इमेज 1.0 256x256 पर्यंत इनपुट स्वीकारते, जुन्या थ्रेशोल्डच्या खाली दर्शविलेल्या कमी-आत्मविश्वास अस्वीकरणासह.

व्हिडिओ शोध आणि DF26 वर 29-पॉइंट लीप

कंपेनियन मॉडेल, Pangram Image Flash 1.0, व्हिडीओच्या उद्देशाने आहे आणि येथेच कंपनीचे दावे सर्वात धक्कादायक आहेत. Pangram ने अलीकडील शैक्षणिक अभ्यासाचा हवाला दिला, DF26, ज्यामध्ये असे आढळून आले की AI-व्युत्पन्न केलेल्या लोकांच्या वास्तविक व्हिडिओंमध्ये फरक करताना मनुष्य यादृच्छिकपेक्षा फारसा चांगला असतो — आणि विद्यमान स्वयंचलित डिटेक्टर जास्त चांगले नव्हते. त्याच DF26 बेंचमार्कवर, Pangram ने 98.7% स्कोअर नोंदवला, ज्याचे वर्णन पुढील सर्वोत्तम डिटेक्टरवर 29-पॉइंट लीप म्हणून करते.

अकादमीपेक्षा व्यावसायिक बाजाराच्या विरूद्ध बेंचमार्क करण्यासाठी, Pangram ने 129 वास्तविक सोशल मीडिया व्हिडिओंमधून एक कठीण तुलना तयार केली, 14 भिन्न फ्रंटियर व्हिडिओ जनरेटर वापरून प्रत्येकाचे सिंथेटिक मिरर तयार केले - प्रत्येक जनरेटर 100 व्हिडिओ, प्रत्येक स्त्रोत व्हिडिओच्या पहिल्या वास्तविक फ्रेमसह सीड केलेले आणि व्युत्पन्न केलेल्या कृती वर्णनाद्वारे चालवलेले. परिणामी 1,529 व्हिडिओंमध्ये, कंपनीने फ्लॅश 1.0 ची एकाधिक प्रमुख AI व्हिडिओ शोध सेवांशी तुलना केली. मिरर पद्धत सामग्री पूर्वाग्रह दूर करण्यासाठी डिझाइन केलेली आहे: प्रत्येक वास्तविक व्हिडिओ आणि त्याचे सिंथेटिक जुळे समान दृश्य आणि विषय सामायिक करतात, म्हणून डिटेक्टर कोणते विषय किंवा सौंदर्यशास्त्र AI सामग्रीशी संबंधित आहेत हे शिकून चाचणी घेऊ शकत नाही.

फ्लॅश मॉडेल फ्रेम-बाय-फ्रेम विश्लेषण देखील करते, जे त्यास AI-संपादित विभागांना अन्यथा अस्सल फुटेजमध्ये ध्वजांकित करू देते - एक क्षमता पूर्णतः सिंथेटिक क्लिपऐवजी अंशतः हाताळलेल्या व्हिडिओंच्या वाढत्या समस्येवर लक्ष केंद्रित करते.

मजकूर शोधण्यापासून ते पूर्ण सिंथेटिक मीडिया स्टॅकपर्यंत

Pangram ने AI टेक्स्ट डिटेक्शनवर आपली प्रतिष्ठा निर्माण केली, जिथे त्याचे वर्गीकरण शिक्षण आणि प्रकाशनात मोठ्या प्रमाणावर वापरले जाते आणि Yahoo Tech च्या लॉन्चच्या कव्हरेजने कंपनीचे त्या श्रेणीतील सुवर्ण मानक म्हणून वर्णन केले. प्रतिमा आणि व्हिडिओमध्ये विस्तार करणे हा एक नैसर्गिक विस्तार आहे आणि ते प्लॅटफॉर्म्स, न्यूजरूम्स आणि एंटरप्राइजेससाठी एक-स्टॉप शॉप म्हणून Pangram ला स्थानबद्ध करते, जे सर्व फॉरमॅटमध्ये सिंथेटिक मीडियासाठी प्रयत्न करत आहेत.

नवीन मॉडेल्स इमेज आणि व्हिडिओ डिटेक्शन या दोहोंसाठी API सपोर्टसह पाठवतात आणि वापरकर्ते त्यांचे फीड स्क्रोल करत असताना इमेज आणि व्हिडिओंना डिटेक्शन लागू करणारे Chrome एक्स्टेंशन - बॅक-ऑफिस मॉडरेशन टूलमधून डिटेक्शनला ग्राहक-श्रेणी संरक्षणाच्या जवळ जाते. Pangram म्हणतो की त्याने X-AIGD, Mirage-Test, AIGenImages2026, RAISE सोबत जोडलेले Synthbuster, आणि Community Forensics यासह शैक्षणिक डेटासेटच्या विरूद्ध मॉडेल्सचाही बेंचमार्क केला आहे.

शोध शस्त्रांची शर्यत सुरूच आहे

एक सावधगिरीने भर देण्यास पात्र आहे: Pangram च्या घोषणेतील प्रत्येक संख्या Pangram च्या स्वतःच्या मूल्यमापनातून येते, त्याच्या स्वतःच्या मिरर-आधारित बेंचमार्कवर चालते. डिटेक्शन टूल्स शेवटी विश्वास कसा मिळवतात हे स्वतंत्र प्रमाणीकरण आहे आणि AI डिटेक्शनचा इतिहास अशा साधनांनी भरलेला आहे ज्यांची अचूकता त्यांनी कधीही न पाहिलेल्या जनरेटरच्या विरूद्ध कोसळली आहे. पंग्रामने स्वतः त्याच्या पोस्टमध्ये बरेच काही मान्य केले आहे, संशोधन पूर्वावलोकनाचा प्रयत्न केल्याबद्दल आणि त्याच्या कमकुवतपणा शोधल्याबद्दल समुदायाचे आभार मानले आहेत.

तरीही, जनरेटिव्ह व्हिडिओच्या जलद सुधारणेला प्रतिसाद म्हणून शोध तंत्रज्ञान किती प्रगती करत आहे याचे लाँच एक अर्थपूर्ण चिन्हक आहे. जर नोंदवलेला DF26 निकाल तृतीय-पक्ष चाचणीत टिकून राहिला तर, मानवांना काय समजू शकते आणि मशीन काय सत्यापित करू शकतात यामधील अंतर केवळ वाढेल — ज्यावर Pangram मार्केटिंग करत आहे.

प्लॅटफॉर्म आणि प्रकाशकांसाठी, फ्रेम-लेव्हल व्हिडिओ विश्लेषणासह, कमी रिझोल्यूशनवर उच्च-अचूकता शोध, कमोडिटी API म्हणून उपलब्ध होत आहे. सिंथेटिक मीडिया समस्येचा पुढचा टप्पा शोधणे शक्य आहे की नाही याबद्दल कमी आणि ते कोण उपयोजित करते आणि इंटरनेटच्या प्लंबिंगच्या कोणत्या स्तरावर आहे याबद्दल अधिक असू शकते.

AI च्या पुढे रहा

सिंथेटिक मीडिया, डिटेक्शन टूलिंग आणि त्यांचा अवलंब करणारे प्लॅटफॉर्म हे हलणारे लक्ष्य आहेत - या सर्वांवर चालू रहा.

अधिक एआय बातम्या वाचा →