Pangram, het AI-detectiebedrijf dat vooral bekend staat om het markeren van door machines gegenereerde tekst, heeft officieel Pangram Image 1.0 en Pangram Image Flash 1.0 gelanceerd, een paar modellen die volgens het bedrijf een nieuwe state-of-the-art zetten voor het detecteren van door AI gegenereerde en AI-bewerkte afbeeldingen en video's. De aankondiging, gepubliceerd op Pangram's eigen blog op 4 november en opgepikt door Engadget, Unite.AI en Yahoo Tech, zet een onderzoeksvoorbeeld dat het bedrijf een paar maanden geleden uitbracht om in een algemeen verkrijgbaar product met API-ondersteuning.
De lancering komt op een moment dat synthetische media echt moeilijk te onderscheiden zijn van authentieke inhoud, zowel voor gewone scrollers als voor de moderatiesystemen waar platforms op vertrouwen. Pangram's weddenschap is dat speciale detectiemodellen, specifiek getraind op de output van de huidige grensgeneratoren, een deel van dat verloren signaal kunnen herstellen.
Grensbeelddetectie met een nauwkeurigheid van 99,96%
Het vlaggenschip Pangram Image 1.0-model werd geëvalueerd aan de hand van een benchmark die het bedrijf zelf had gebouwd: 100 echte foto's, elk gespiegeld met synthetische versies geproduceerd door 12 geavanceerde AI-beeldgeneratoren met aanwijzingen die nauw aansluiten bij de originele foto, voor een totaal van 1.200 synthetische afbeeldingen. Op basis van die evaluatiereeks rapporteert Pangram een nauwkeurigheid van 99,96% – een cijfer dat, als het stand houdt onder onafhankelijk onderzoek, het model ruim voor zou laten lopen op de commerciële en academische detectoren waarmee het bedrijf het vergeleek.
Naast een eenvoudig oordeel over echt of nep, voert het model heatmaps uit die precies lokaliseren waar AI-inhoud in een afbeelding verschijnt. Dat is van belang voor de steeds vaker voorkomende middenweg tussen volledig synthetische afbeeldingen en onaangeroerde foto's: marketingafbeeldingen met door AI gegenereerde achtergronden, foto's geretoucheerd met generatieve tools, of composieten die echte onderwerpen combineren met gegenereerde elementen.
Pangram beweert ook dat het nieuwe model robuust is tegen het soort transformaties dat op betrouwbare wijze naïeve detectoren verslaat: compressie van sociale media, opzettelijke vervaging en ruis, en lage uploadresoluties. Het bedrijf zegt dat voor het vorige onderzoeksvoorbeeld afbeeldingen van minimaal 512x512 pixels nodig waren, terwijl Image 1.0 invoer accepteert tot 256x256, met een disclaimer voor minder vertrouwen die onder de oude drempel wordt weergegeven.
Videodetectie en een sprong van 29 punten op DF26
Het begeleidende model, Pangram Image Flash 1.0, is gericht op video, en hier zijn de beweringen van het bedrijf het meest opvallend. Pangram citeert een recent academisch onderzoek, DF26, waaruit bleek dat mensen nauwelijks beter zijn dan willekeurig wanneer ze echte video’s van pratende mensen onderscheiden van door AI gegenereerde video’s – en dat bestaande geautomatiseerde detectoren niet veel beter waren. Op dezelfde DF26-benchmark rapporteert Pangram een score van 98,7%, wat het beschrijft als een sprong van 29 punten ten opzichte van de op een na beste detector.
Om te vergelijken met de commerciële markt in plaats van met de academische wereld, heeft Pangram een moeilijke vergelijkingsset samengesteld uit 129 echte sociale media-video's, waarbij synthetische spiegels van elk werden gegenereerd met behulp van 14 verschillende grensverleggende videogeneratoren - 100 video's per generator, voorzien van het eerste echte frame van elke bronvideo en aangestuurd door gegenereerde beschrijvingen van de actie. In de resulterende 1.529 video's vergeleek het bedrijf Flash 1.0 met meerdere grote AI-videodetectiediensten. De spiegelmethodologie is ontworpen om vooroordelen over de inhoud weg te nemen: elke echte video en zijn synthetische tweelingbroer delen dezelfde scène en hetzelfde onderwerp, zodat een detector de test niet kan spelen door te leren welke onderwerpen of esthetiek correleren met AI-inhoud.
Het Flash-model voert ook frame-voor-frame analyses uit, waardoor het AI-bewerkte segmenten binnen overigens authentieke beelden kan markeren – een mogelijkheid gericht op het groeiende probleem van gedeeltelijk gemanipuleerde video's in plaats van volledig synthetische clips.
Van tekstdetectie naar een volledig synthetische mediastapel
Pangram heeft zijn reputatie opgebouwd op het gebied van AI-tekstdetectie, waarbij de classificaties ervan op grote schaal worden gebruikt in het onderwijs en de uitgeverij, en Yahoo Tech's berichtgeving over de lancering omschreef het bedrijf als de gouden standaard in die categorie. Het uitbreiden naar afbeeldingen en video is een natuurlijke uitbreiding en positioneert Pangram als een one-stop-shop voor platforms, redactiekamers en bedrijven die synthetische media in verschillende formaten proberen te controleren.
De nieuwe modellen worden geleverd met API-ondersteuning voor zowel beeld- als videodetectie, en een Chrome-extensie die detectie toepast op afbeeldingen en video's terwijl gebruikers door hun feeds scrollen, waardoor detectie wordt verplaatst van een back-office moderatietool naar iets dat dichter bij consumentenbescherming staat. Pangram zegt dat het de modellen ook heeft vergeleken met academische datasets, waaronder X-AIGD, Mirage-Test, AIGenImages2026, Synthbuster in combinatie met RAISE en Community Forensics.
De detectie-wapenwedloop gaat door
Eén kanttekening verdient de nadruk: elk cijfer in de aankondiging van Pangram is afkomstig van Pangrams eigen evaluaties, uitgevoerd op basis van zijn eigen op spiegels gebaseerde benchmarks. Onafhankelijke validatie is de manier waarop detectietools uiteindelijk vertrouwen winnen, en de geschiedenis van AI-detectie is bezaaid met tools waarvan de nauwkeurigheid instortte in vergelijking met generatoren die ze nog nooit hadden gezien. Pangram zelf erkende dit in zijn bericht en bedankte de gemeenschap voor het uitproberen van de onderzoekspreview en het vinden van de zwakke punten ervan.
Toch is de lancering een betekenisvolle indicatie van hoe ver de detectietechnologie is gevorderd als reactie op de snelle verbetering van generatieve video. Als het gerapporteerde DF26-resultaat tests door derden overleeft, zal de kloof tussen wat mensen kunnen waarnemen en wat machines kunnen verifiëren alleen maar groter worden – en dat is precies de markt waarop Pangram gokt.
Voor platforms en uitgevers is de praktische conclusie dat zeer nauwkeurige detectie bij lage resoluties, inclusief videoanalyse op frameniveau, beschikbaar komt als een commodity-API. De volgende fase van het synthetische mediaprobleem gaat wellicht minder over de vraag of detectie mogelijk is, maar meer over wie het inzet, en op welke laag van het internet.
Blijf AI een stap voor
Synthetische media, detectietools en de platforms die deze gebruiken zijn bewegende doelen – blijf op de hoogte van dit alles.
Lees meer AI-nieuws →
