前言
GPT-Image-2 发布后，我用它生成 10 张图发到家庭群里让长辈猜真假，10 张全军覆没。
作为开发者，我们要思考的问题不是"能不能看出来"，而是：
当生成模型已经骗过人眼，"信息真实性"是否必须从工程层面重建？
本文从视觉特征 → 检测工具 → 标准协议三层给出方法论，附可直接复用的 Prompt 实战。
一、视觉层：模型的"系统性缺陷"
生成式模型的本质决定了它在某些维度存在系统性缺陷。理解成因比记"找茬清单"更有价值。
1. 文字与符号 —— Tokenizer 的天然短板
模型对文字本质是像素级模仿，不是字符语义理解。中文、长串数字、复杂排版尤其容易翻车。
重点观察：招牌、价签、车牌、书脊。
2. 高频解剖结构 —— 训练分布盲区
- 手指：数量、关节方向、握持物理合理性
- 耳廓：内耳结构、左右对称
- 牙齿：齿列规律
- 眼睛：双眼 catchlight 方向是否一致
3. 光学一致性 —— 缺乏 3D 与物理建模
- 影子方向 vs 光源方向
- 镜面/水面/玻璃的反射内容
- 多光源高光叠加
4. 背景退化（Background Degradation）
主体 OK，背景常见语义崩坏：远景人群肢体融合、重复 pattern 突变、半截物体悬空。
5. 物理常识违反
筷子穿碗、桌腿数量错、头发与帽子融合、眼镜腿在脸后消失。
本质：模型在 patch 级拟合很好，但全局一致性约束建模不足。
二、工具层：可集成的检测方案
肉眼不可扩展，工程化必须靠工具。
1. AI 检测服务（带 API）
| 工具 | 特点 | API |
|---|---|---|
| Hive Moderation | 主流模型识别率高 | ✅ |
| Sightengine | 商用合规友好 | ✅ |
| AI or Not | 简单快速 | ✅ |
| Illuminarty | 区域级概率热力图 | ✅ |
集成思路（Sightengine 示例）：
const result = await fetch('https://api.sightengine.com/1.0/check.json', {
method: 'POST',
body: formData, // models=genai
});
if (result.type.ai_generated > 0.8) flagAsAIGenerated();
⚠️ 没有 100% 准确的检测器，生产环境建议多模型投票 + 人工复核。
2. EXIF 元数据分析
const ExifReader = require('exifreader');
const tags = ExifReader.load(buffer);
console.log(tags['Software']?.description); // 可能暴露生成来源
真实照片有相机型号、GPS、ISO；AI 图常缺失或写明 OpenAI。
3. C2PA 内容凭证 —— 行业标准
OpenAI、Adobe、Microsoft、BBC 共同推动的内容溯源标准：
- AI 图嵌入加密签名的来源凭证
- 验证：Content Credentials Verify
- SDK：c2pa-rs
⚠️ 截图、二次压缩会丢失凭证 → C2PA 只能证真，不能证假。
4. 反向图搜
Google Images / TinEye / Yandex，适合接入舆情和审核 pipeline。
三、组合验证 Pipeline
单一信号容易被绕过，多层组合可靠性指数级提升：
图片输入
↓
[L1] C2PA 校验 → 命中：直接判定
↓ 未命中
[L2] EXIF 分析 → 异常加风险分
↓
[L3] AI 检测 API（≥2 个模型投票）
↓
[L4] 反向图搜 → 无源 + 高 AI 概率 → 标记
↓
风险分综合输出
四、最有效的训练：自己动手生成
工具是辅助，对模型缺陷的"直觉"只能通过亲手跑图建立。看 100 篇教程，不如自己跑 50 张图来得快。
国内订阅 GPT-Image-2、Claude、Gemini 这些海外 AI 比较麻烦，我自己用的是 wildAI 一站式跨境订阅平台：
- 一站式订阅 ChatGPT（含 GPT-Image-2）/ Claude / Gemini
- 对独立开发者尤其友好 —— 一个账号搞定所有主流 AI 订阅，不用再为支付通道折腾
- 做检测、对抗实验、内容审核样本，直接跑一批就有数据
入口：👉 wildAI 一站式 AI 订阅平台
五、配图实战：可直接喂给 GPT-Image-2 的 Prompt
下面 6 组专门用于生成**"放大才看出破绽"的高仿真图**，可作配图、对比演示、检测模型测试样本。
建议每条跑 4 张，挑破绽最明显的一张，配红圈标注。
📸 Prompt 1：菜市场大爷（文字陷阱）
A hyperrealistic candid photo of an elderly Chinese vegetable vendor at a busy morning market, wrinkled face full of character, worn blue apron, stall full of fresh vegetables with handwritten Chinese price tags, natural morning sunlight, shot on Sony A7IV, 50mm f/1.8, shallow depth of field, photojournalism style, ultra-detailed skin, film grain
测试点：手写中文价签、手指。
📸 Prompt 2：上海夜景咖啡馆（招牌 + 倒影）
A cinematic night street photo of a cozy corner coffee shop in Shanghai, neon signs reading "COFFEE" and "OPEN", rain-wet pavement reflecting colorful lights, a customer visible through the window, moody atmosphere, Fujifilm X-T5, 35mm f/1.4, Blade Runner aesthetic, ultra-detailed reflections
测试点：英文拼写、地面倒影。
📸 Prompt 3：90 年代家庭老照片（解剖陷阱）
A nostalgic 1990s Chinese family portrait, faded colors, a family of five in front of an old brick house, 90s style clothing, three children of different ages, film camera with visible grain, warm tone, slight overexposure, vintage Kodak film aesthetic
测试点：耳朵、手指、对称性。
📸 Prompt 4：新闻抓拍（背景退化）
A photojournalism-style image of a busy protest march, hundreds of people holding banners, dynamic motion blur, a press photographer in the foreground, dramatic afternoon lighting, Canon R5, 24mm f/4, Pulitzer-winning aesthetic, highly detailed crowd
测试点：远景人群、横幅文字。
📸 Prompt 5：超近人像（光学一致性）
An ultra-close-up portrait of a young Asian woman smiling naturally, every pore and eyelash visible, catchlight in both eyes, soft window light from the left, Hasselblad H6D, 80mm f/2.8, beauty photography, hyperrealistic skin, no retouching look
测试点：双眼 catchlight、牙齿。
📸 Prompt 6：日常物理悖论
A top-down food shot of a steaming bowl of Chinese beef noodle soup, chopsticks resting on the bowl, a pair of hands about to pick them up, side dishes around, warm restaurant lighting, iPhone 15 Pro, lifestyle vibe, ultra-detailed steam and broth
测试点：筷子与碗、手指与筷子的物理关系。
六、写在最后
GPT-Image-2 把"图片造假"的门槛从专业 PS 降到了"会打字就行"。对开发者意味着：
- 审核 pipeline 必须升级，单规则会快速失效
- C2PA 等协议值得提前接入，未来是基础设施
- 检测模型需要持续训练，对抗永不停止
工具会越来越强，但最关键的一步永远是 ——
写代码前，先问一句："这张图，可信吗？"
如果对你有帮助，点赞 👍 + 收藏，后续会继续分享 AI 审核、生成对抗、多模态工程化的实战。
评论区聊聊：你在生产环境是怎么识别 AI 生成内容的？
