Neural Defend ARCAS 1B 多模态深度伪造检测模型基准评测

该论文对 Neural Defend ARCAS 1B 进行跨基准家族的评测，且不针对特定基准更新参数。作者保留基准原生聚合方式，补充记录级指标、覆盖度核算与子群体诊断，并在每个结果小节标注发布版本与评测人群，区分原生量与合并量，跨论文比较仅限可比证据。结论只描述受评记录上的表现，不涉及通用可靠性、校准、归因或未来自适应攻击。

此前深度伪造检测多依赖单一基准分数，难以反映泛化能力与实际部署条件。该工作把发布版本、评测人群、类别平衡与缺失记录覆盖差异显式暴露出来，使研究者与平台方能把检测结果追溯到具体协议条件，而非直接比较排行榜名次。

单一分数掩盖了评测人群、类别分布和记录缺失的差异，导致跨基准结论不可比。论文通过不更新基准专属参数、保留原生聚合、并补充记录级与子群体指标，把原生量与合并量分开报告，从而让不同来源的结果差异被识别为上下文差异而非能力排名。

对平台安全和取证复核团队而言，可直接复用其记录级指标、覆盖度核算与子群体诊断方法，评估检测器在自身流量分布上的表现，避免被单一分数误导。研发侧需在评测流程中固定发布版本与受评人群口径，并把缺失记录覆盖纳入上线门槛。

• 在内容审核流水线中引入记录级检测报告，标注检测器版本、受评样本分布与未覆盖记录比例。
• 为取证复核工具增加子群体诊断面板，按内容类型或来源分组展示漏检与误报模式。
• 建立跨基准可比性检查清单，仅在发布版本、人群与预处理一致时进行结果对比。
• 面向客户交付检测能力时，附带覆盖度与协议条件说明，替代单一准确率承诺。

• Neural Defend ARCAS 1B 的具体参数规模、训练数据与模态输入组合未在证据中说明。
• 论文未给出与既有深度伪造检测模型在同口径下的对比数值。
• 记录级指标、覆盖度核算与子群体诊断的具体计算方法尚未披露。
• 该方法对自适应攻击与真实平台流量的表现仍未有证据支持。