以证据核查图像事实

EviScene

不止判断「是否由 AI 生成」

看起来真实的图像，也可能描绘错误的事实。EviScene 主动寻找证据，核实图中内容。

论文代码

模型与数据 ↗

基于智能体的图像事实性评估 · 2026

论文中的一个案例01 / 04

博物馆开幕，还是事实矛盾？

图像所呈现的

一座已竣工的博物馆，正在举行开幕仪式。

资料所记录的

在评估时，该博物馆仍处于建设阶段。

不支持图像描绘的建设阶段与证据相矛盾。

ZiAn Wang^1,* Ruiqi Liu^2,* Zhengbo Zhang^2,* Yi Han³ Jialiang Shen⁴ Ruoxin Chen⁵ Manni Cui⁶ Ximo Zhu² Jin Jiang⁷ Mingzhe Liu⁸ Linhao Wang¹ Wenhao Wang^9,† Shu Wu^2,†

¹吉林大学 ²中国科学院自动化研究所 ³西南大学 ⁴悉尼大学 ⁵腾讯优图实验室 ⁶华中科技大学 ⁷阿联酋大学 ⁸深圳大学 ⁹Vast Intelligence Lab

* 共同第一作者 · † 共同通讯作者

从图像出发无需用户额外提供文字断言。

主动核查事实将可见细节与外部证据联系起来。

给出有依据的判断通过训练学会核查的紧凑 9B 策略模型。

我们关注的问题

核查图像中的情境，
不只判断它的来源。

真实照片也可能产生误导，生成图像也可能描绘符合事实的场景。图像来源与内容事实性，是两个不同的问题。

输入

一张图像

识别其中可核查的人物、物体、事件、文字与背景。

核查

依靠证据，而非外观

寻找相关来源，并检查其中的细节是否与图像描绘的情境相符。

输出

有证据支撑的评估

支持不支持

同时给出与证据对应的解释。

查看论文中的任务定义

EviScene 智能体

深入观察，
循证核查。

多模态 ReAct 策略自主选择检查哪些细节、去哪里搜索，以及何时已有足够证据得出结论。

01 观察

检查图像

理解场景及其细节，提取具体、可核查的线索，而不是仅凭视觉上的合理性作判断。

场景感知 · 局部检查

02 检索

查找相关背景

通过网页搜索与相关图像检索，识别对应的事件、实体和信息来源。

网页搜索 · 图像检索

03 验证

核对证据是否匹配

访问来源网页、比对参考图像，核对日期、身份及其他细节是否与输入图像一致。

网页访问 · 参考图像比对

04 决策

回看线索，形成结论

解决尚未确定的问题，再根据收集到的证据给出判断。

推理 · 基于证据的判断

这是一个循环核查过程，而非固定清单。新证据出现后，策略可以重新审视已有观察。

查看完整智能体架构

评测基准

认识 EviLens。

EviLens 同时覆盖网页来源与受控构造的图像，用于评估内容的事实性，而不只是判断图像是否由 AI 生成。

10,174基准图像总数

1,527测试图像

12事实错误类型

2数据获取来源

事件与关系

发生了什么？涉及哪些主体？

虚构行为
虚构互动
不可能的状态
虚假官方记录

属性与细节

可见细节是否经得起核查？

数值篡改
身份替换
空间关系篡改
文字或标识篡改

上下文

时间、地点和来源是否正确？

时间错置
事件语境错置
来源冒充
地理错置

3,114 支持7,060 不支持

训练集 8,647 张 · 测试集 1,527 张，均含配套元数据。

查看 12 类事实错误的示例

查看数据集构建流程

训练紧凑的核查模型

学习核查流程，
改进关键决策。

阶段 01 · SFT

学会核查

通过监督微调，Qwen3.5-9B 策略模型学会调用工具、寻找证据并开展核查。

阶段 02 · PSD

从自身决策中学习

特权信息辅助的同策略自蒸馏，利用训练阶段的提示改进薄弱决策，同时保留成功行为。

测试时不提供特权提示。

学生模型仅依据原始、不含提示的上下文行动。

主要实验结果

紧凑的策略模型，
更充分的证据。

EviScene 同时关注分类表现与结论的证据支撑。以下数值均与当前论文版本一致。

79.05%平衡准确率

52.26%严格证据充分率

+9.37 个百分点相对 9B 基础智能体的 SESR 提升

策略模型	BAcc ↑	宏平均 F1 ↑	SESR ↑
GPT-5.5	78.13	72.06	50.49
Gemini 3.7 Flash	81.57	76.70	42.89
Gemini 3.1 Pro	62.42	64.17	32.68
Qwen3.5-397B	71.72	73.76	43.29
Qwen3.5-9B · 基础模型	72.34	74.57	42.89
Qwen3.5-9B · SFT	78.81	75.69	50.49
EviScene · SFT + PSD 9B	79.05	74.67	52.26

各行均采用智能体设置。在所列策略中，EviScene 的 SESR 最高。

Qwen3.5-9B 设置	BAcc ↑	宏平均 F1 ↑	SESR ↑
直接预测	65.70	57.26	1.70
基础智能体	72.34	74.57	42.89
SFT 后	78.81	75.69	50.49
SFT + PSD 后	79.05	74.67	52.26

相较基础智能体，SFT + PSD 的 BAcc 提升 6.71 个百分点，SESR 提升 9.37 个百分点。

工具配置	BAcc ↑	SESR ↑	Δ SESR
全部工具 · EviScene	79.05	52.26	—
去掉网页搜索	74.37	35.89	−16.37
去掉图像检索	74.52	40.01	−12.25
去掉证据检查	76.55	46.04	−6.22

证据检查包括来源网页访问与参考图像比对。去掉网页搜索后，SESR 的降幅最大。

BAcc 平衡准确率。 SESR 严格证据充分率：不仅要求判断正确，还要求满足证据质量标准。分数单位为百分比，差值单位为百分点。

看看如何核查

关键细节，
改变最终判断。

以下为论文中的四个定性案例，展示可见线索、检索到的证据，以及最终判断的依据。

支持

01 · 技术规格

陌生的标准，也可能真实存在。

缺少背景信息时，“DisplayHDR True Black 1400”这一标识看起来可疑。核查找到了 VESA 于 2026 年 7 月介绍该认证等级的文档。

决定性证据官方文档与图像中的认证名称一致。

不支持

02 · 时间背景

展览确实存在，日期却不正确。

海报标注的展期为 2025 年 10 月 14 日至 2026 年 2 月 1 日，而检索到的展期为 2026 年 10 月 14 日至 2027 年 2 月 1 日。

决定性证据图像中的活动日期与资料相差一年。

不支持

03 · 事件状态

场景很逼真，事件阶段却不符。

图像描绘了一座已竣工博物馆的开幕仪式，但项目记录显示，在论文评估时，berlin modern 仍处于建设阶段。

决定性证据图像呈现的竣工状态与项目进展相矛盾。

支持

04 · 事件核查

不常见的活动，也能找到确切来源。

核查识别了场地与活动。法国文化部的资料确认，该启动活动于 2025 年 1 月 21 日在红磨坊举行。

决定性证据官方来源将活动、场地与日期对应起来。

查看论文中的完整定性对比

了解项目

阅读、复现与探索。

从论文了解方法，查看代码实现，并通过统一的 Hugging Face 项目获取模型与 EviLens 资源。

01 / 论文

完整研究内容

涵盖方法、基准、实验及补充分析。论文 PDF 与原始图示保留英文。

阅读 PDF

02 / 代码

EviScene 实现

智能体运行时、工具集成、SFT 与 PSD 训练及评测代码。

GitHub 仓库

03 / 模型与数据

一个项目，统一管理资源

统一管理 SFT 与原版 PSD 权重、EviLens 图像和元数据、代码及论文。具体开放情况以仓库说明为准。

Hugging Face 项目

引用

引用 EviScene。

下载 BibTeX ↓

@misc{wang2026evisceneisaiagentic,
  title={EviScene: Beyond "Is It AI?" for Agentic Image Factuality Assessment},
  author={ZiAn Wang and Ruiqi Liu and Zhengbo Zhang and Yi Han and
          Jialiang Shen and Ruoxin Chen and Manni Cui and Ximo Zhu and
          Jin Jiang and Mingzhe Liu and Linhao Wang and Wenhao Wang and Shu Wu},
  year={2026},
  eprint={2610.14609},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2610.14609},
}