超越静态伪影：面向视觉语言模型视频深度伪造推理的法医基准

当前用于深度伪造检测的视觉语言模型（VLM）擅长识别空间伪影，却忽视了视频伪造中关键的时间不一致性。为填补这一空白，本文提出了法医问答（FAQ）基准，将时间性深度伪造分析构建为多项选择任务。该基准包含面部感知、时间伪造定位和法医推理三个层级，旨在逐步评估并赋予 VLM 法医能力。实验表明，基于 FAQ 指令微调的模型在域内及跨数据集检测中均表现优异，证实了 FAQ 是提升 VLM 时间推理能力的关键驱动力。