拆解 Agentic 取证：分诊、提示与证据仲裁在开放世界假图检测中的作用

该论文研究一个免训练 agentic 图像取证框架，由专用检测器、逐检测器分诊和冲突感知证据仲裁组成，在三种多模态大模型骨干、六种配置下对比分布内与分布外数据。结果显示，简单融合检测器会在真实图像上产生高误报；分诊与提示可持续改善表现，但推理能力是主导因素，强判断模型明显优于弱模型，而操纵召回率在各配置下接近饱和。

此前多数取证检测器只针对单一篡改类型，agentic 方案被视为应对开放世界篡改的候选路径，但其收益来源与分布偏移下的稳定性并不清楚。该研究把性能归因拆到分诊、提示和推理三部分，指出开放世界取证的主要瓶颈已从“能否检出篡改”转向“如何校准对专用工具的信任并仲裁冲突证据”。

机制上，该系统不训练专用检测器，而是让 agent 对每个检测器的输出做可靠性分诊，过滤不可靠证据，并暴露检测器的适用边界；随后由多模态大模型作为判断者，在多个检测报告冲突时进行证据仲裁。由于操纵召回率普遍接近饱和，性能差异主要来自判断者推理质量，尤其是在分布外样本上。

对产品或研发的直接含义是：接入图像取证能力时，不应把多个检测器输出简单投票或平均，而应增加可靠性分诊、冲突仲裁和拒答机制，以降低真实图像上的误报。选型时应优先评估底层多模态模型的推理质量，并针对分布外场景建立评测集，而非只比较检测器数量。

• 在内容审核或取证产品中增加逐检测器可靠性分诊层，对低置信或超范围证据做标记而非直接采信。
• 构建冲突感知的仲裁流程，让多个检测报告不一致时输出解释与不确定度，而不是单一真假结论。
• 以分布外样本和真实图像误报率为核心指标，建立多模态模型判断者的选型评测集。
• 面向伪造图像检测场景提供免训练的检测器编排服务，降低对单一专用模型的依赖与重新训练成本。

• 该框架在中文或多语言、不同图像来源上的表现是否一致，证据未说明。
• 证据未给出具体误报率、召回率数值和六种配置的名称，实际提升幅度无法量化。
• 免训练方案在真实业务时延与调用成本上是否可接受，证据未涉及。
• 所谓操纵召回率接近饱和是否在不同分布偏移强度下仍成立，证据未展开。