AI造假进入全新阶段！研究警示：权威文件伪造已可骗过AI与普通人|清华大学|OpenAI|GPT-4o|大众|模型

　　日常社交场景中，一张排版规整、带有公章、格式标准的官方通知截图，往往能快速获得大众信任。但如今，这类看似权威的图片凭证已不再可靠。2026年6月2日，清华大学对话式人工智能（CoAI）团队发布最新预印本研究（论文编号：arXiv:2606.03348），首次揭示“合成可信度”新型AI视觉造假威胁。研究证实，新一代AI可高度仿真各类官方文件、凭证截图，不仅能绕过主流AI检测系统，普通人凭肉眼辨别真伪的准确率也极低，网络视觉信息公信力迎来严峻挑战。

一、不同于传统换脸造假：新型骗局专攻“权威信任”

　　过往大众熟知的AI造假，多集中在人脸换脸、风景人像合成等领域，这类内容虽有欺骗性，但缺乏权威背书，大众普遍会保持警惕。而本次研究发现的新型AI造假逻辑完全不同，核心不是追求画面逼真度，而是刻意营造权威感与真实流通感，精准利用大众的认知惯性完成欺骗。

　　研究团队将这种颠覆性造假能力定义为“合成可信度”，主要由两大核心维度构成，双重叠加后欺骗性极强：

　　一是可信形式复刻。AI能够精准复刻政府公告、院校通知、医院报告、银行账单、票据凭证、录取通知书等各类官方标准化版式、字体规范、排版逻辑，完美贴合大众认知中的“权威文件样式”，从视觉框架上建立信任基础。

　　二是可信流通模拟。这是本次造假升级的关键。AI不再生成干净规整的“完美图片”，反而刻意模拟真实传播中的各类瑕疵，包括扫描噪点、纸张折痕、拍摄光影不均、屏幕反光、网络压缩模糊、边框倾斜等细节。这些看似不完美的痕迹，本是真实文件流转的特征，如今被AI批量复刻，让假文件彻底摆脱“机器生成”的刻板破绽。

二、搭建专业评测基准，覆盖全场景造假样本

　　为量化研判新型造假的真实威胁，清华团队搭建了专业评测基准数据集SYNCRED-Bench，构建了全覆盖的测试样本体系，确保研究结果贴合真实网络传播场景。

　　数据集包含600张AI伪造文件图与450张真实文件对照图，全方位覆盖六大高频造假场景：媒体新闻版式截图、政企医疗机构官方通知、社交平台与网页界面截图、证书发票等凭证记录、数据图表与系统后台截图、考试成绩单及录取凭证等考评材料。

　　同时，研究团队细化出七种真实流通样式，涵盖原生高清截图、设备扫描件、手机实拍图、传真复印件、屏幕翻拍图、局部裁剪图、多次网络压缩图，完整还原图片从生成到传播的全流程形态，最大程度模拟网络真实传播环境。对照样本的设置，也有效规避了检测工具“过度判假”的误判偏差，让测试结果更具实用参考价值。

三、实测结果惊人：主流AI工具集体失效，人类辨别能力堪忧

　　本次测试邀请了15款顶尖多模态大模型、6款主流专业AI图像检测工具，同时招募20名跨专业高学历青年开展人工测评，以假阳性率≤5%（不误判真实文件）为严苛实用标准，测试结果远超预期。

　　在大模型测评中，所有模型整体表现拉胯，平均真阳性识别率仅10.5%，即便放开误判限制，整体准确率也仅有31.2%。模型表现差距悬殊，Claude系列相对最优，而大众熟知的GPT-4o识别率直接归零，GPT-5.4、Gemini 3.1 Pro、Grok-4.3等顶尖模型几乎无法识别此类新型造假，基本丧失实用检测能力。

　　专业商业检测工具表现略优，但仍未达到可靠标准。其中Hive AI综合性能最佳，在0.9%极低误判率下，识别率可达75.2%；AI or Not、Sightengine准确率分别为53.7%、54.6%。而各类开源检测工具弊端显著，部分工具看似准确率较高，但假阳性率高达69.1%，存在大面积误判真实文件的问题，完全无法落地使用，其余开源工具识别率均不足20%，基本不具备检测价值。

　　人工测评结果同样不容乐观。普通用户单人判断平均准确率仅62%，且存在35.8%的高误判率，极易将真实凭证判定为AI造假。即便采用五人投票复核机制优化判断，准确率也仅提升至63%，误判率仍高达27%。参与者个体能力差异极大，最优者准确率不足80%，最差者低于随机猜测水平，足以证明此类AI造假可轻松突破普通人的认知防线。

四、深度拆解误判逻辑：AI被“完美规范”反向欺骗

　　研究团队深入复盘误判案例，精准锁定了AI模型的核心识别漏洞。当前所有检测模型的训练数据，均以自然风景、人物人像素材为主，从未系统学习过标准化文件、版式截图类素材特征，面对新型权威文件造假，存在严重的认知盲区。

　　模型误判的核心依据高度集中：66.1%的误判源于AI认定文件版式规整、格式标准即为真实；61.1%的误判来自对各类APP界面、按钮布局、状态栏样式的刻板匹配；46.9%的误判依托于清晰规整的字体文本；还有46.0%的误判源于AI认定自然光影、虚化质感是实拍专属特征。

　　简言之，当前AI模型普遍存在逻辑偏差，习惯以“视觉规整、样式合理”判定“内容真实”，而这一判断逻辑，恰好被新一代AI造假精准利用，形成系统性漏洞。不同模型的短板各有侧重，有的易被界面版式迷惑，有的轻信排版逻辑，有的对光影质感过度依赖，最终都难以规避新型造假陷阱。

五、流通样式影响检测效果：瑕疵越多，欺骗性越强

　　测试同时验证了不同传播痕迹对造假识别率的影响，结果呈现明显两极分化。屏幕翻拍、局部裁剪、手机实拍三类样式，会大幅降低检测准确率，分别拉低11.1%、10.3%、6.5%的识别率。这类图片自带的反光、残缺、光影不均等瑕疵，会让模型和用户默认其为真实场景拍摄的文件，成为造假的“天然伪装”。

　　与之相反，扫描件、传真复印件的识别难度更低，识别率分别提升4.1%、9.4%。这类样式自带的专属条纹噪声、规整扫描边框等特征，AI生成难度更高，更容易触发检测模型的风险预警。而单纯的网络压缩模糊，对识别结果几乎没有影响，证明带有场景语义的传播痕迹，才是决定造假欺骗性的核心关键。

六、行业破局方案：三大路径构建AI防伪新体系

　　针对当前AI防伪体系全面滞后于造假技术的行业困境，清华研究团队提出三条可落地的优化路径，为行业标准制定、技术迭代提供核心参考。

　　第一，普及溯源水印技术，从源头防伪。摒弃“事后视觉检测”的被动模式，为所有AI生成内容植入抗裁剪、抗压缩、抗篡改的鲁棒数字水印，通过水印核验替代视觉判断，从根源上杜绝AI文件造假的传播风险。

　　第二，补齐模型训练短板，优化检测能力。针对性扩充标准化文件、凭证截图、各类流通样式的AI造假样本数据集，打破现有模型训练素材单一的局限，让检测系统适配新型造假场景，解决专业文件造假识别盲区。

　　第三，校准模型判断逻辑，强化人工核验机制。修正大模型“视觉可信即真实”的固有偏差，明确区分“视觉合理性”与“内容真实性”。针对官方通知、凭证证书等权威文件，强制触发外部溯源核验提醒，杜绝单一视觉判断带来的误判风险。

七、研究局限与行业启示

　　研究团队也客观阐述了本次实验的局限性：本次测试仅基于GPT Image 2模型开展，样本语言以中英双语为主，数据集规模有限，无法完全覆盖全球各类文件版式与全部AI生成模型。未来需持续扩充样本维度、拓展测试场景，完善评测基准。

　　本次研究的核心价值，不在于展示AI造假能力，而是为全社会敲响警钟：AI造假已从“视觉猎奇”升级为权威信息伪造，彻底打破了传统视觉证据的公信力。在全新的网络环境下，仅凭肉眼和现有AI工具已无法辨别文件真伪，无论是个人生活、职场办公、政务公示、金融凭证核验，都亟需建立全新的防伪、核验、溯源体系，应对日益严峻的AI虚假信息风险。