Peking University-Kling ouvre Verus-Insight 8B, détecteur vidéo IA

Verus-Insight, un détecteur multimodal 8B publié cette semaine par Peking University et la Kling Team de Kuaishou, porte la balanced accuracy de 48,81 à 94,79 sur RewardData face à son modèle de base Qwen3-VL-8B, et de 66,67 à 89,06 sur le nouveau Verus-Bench que les auteurs diffusent avec le modèle sur Hugging Face. L'article arXiv, co-signé avec HKUST-Guangzhou, Fudan et Tsinghua, décompose la détection en trois étapes explicites : Inspection Planning, Evidence Verification et Evidence Aggregation.

Le gain le plus marquant porte sur la restitution des artefacts, pas sur le verdict binaire.

Sur RewardData, la F1 de retrouvage passe de 3,38 à 35,42 face au backbone Qwen3-VL-8B, « Finding precision and recall jointly increase from 1.87/18.13 to 33.66/37.36 », écrit le papier, « indicating that the gain is not simply obtained by producing more artifact claims ». L'argument central des auteurs est qu'une prédiction correcte réel/IA ne vaut pas une inspection correcte : ils citent VideoVeritas, concurrent spécialisé, qui atteint 91,12 BA avec seulement 8,47 de Finding F1, pour illustrer que « strong video-level detection does not imply accurate Evidence Verification ».

La méthode a ses angles morts. Les vidéos synthétiques utilisées pour entraîner et évaluer couvrent Kling-2.5, Veo 3, HunyuanVideo-1.5, LTX-2.3 et Wan2.2 ; Kling-2.5 est le propre générateur de Kuaishou, co-auteur du papier. Le modèle est bâti sur Qwen3-VL-8B-Instruct via un entraînement progressif en trois temps : warm-up tracking et rubriques, SFT sur la trajectoire complète, puis renforcement GRPO. Verus-Bench est construit par la même équipe, protocole d'annotation identique au set d'entraînement, et le papier ne publie pas d'évaluation externe indépendante.

Verus-Insight-8B et Verus-Bench sont téléchargeables sur Hugging Face sous l'identifiant Verus-Team. C'est la deuxième alerte de détection que nous suivons ce mois après l'ouverture de SynthID par Google au public ; les deux approches ne se recoupent pas, puisque Verus analyse l'image après coup et SynthID lit un filigrane déposé par le générateur.