Estudo com 524 pessoas mede capacidade humana de detectar deepfakes de GANs a GPT-5 e testa treinamento específico por modelo
Um estudo online com 524 participantes mediu a precisão humana em identificar rostos deepfake gerados por cinco famílias de modelos generativos — três GANs, um modelo de difusão e o MLLM GPT-5 — e testou se treinar as pessoas com artefatos visuais específicos de cada gerador funciona melhor que um treinamento genérico. Os autores propõem a Deepfake Face Artifact Taxonomy (DFAT) para catalogar esses artefatos e constatam, de forma contraintuitiva, que modelos mais recentes e avançados não são necessariamente mais difíceis de detectar visualmente; o ganho de treinamento específico por modelo se manteve estável num follow-up de cinco meses.
Fonte ↗