Fleet：少量镜头即可实现有效的人工智能生成图像检测

人工智能生成图像（AIGI）检测正在经历从实验室基准到开放世界对抗防御的关键转变。流行的范式侧重于寻找静态特征空间，假设从历史数据中学习的一些不变工件可以实现通用的零样本泛化。虽然在多个 AIGI 基准上达到饱和，但这种静态假设相对于快速发展的生成器（例如 SD3、Nano Banana Pro），性能会严重下降。为了解决这些局限性，我们建议该领域应该从“静态泛化”扩展到“动态适应”的新范式。我们推出了 Fleet，这是一个开创了连续几次进化的动态范式的框架，能够快速应对新兴的生成威胁。 Fleet 通过用受约束的路由校正替换无约束的特征更新来改进少数镜头自适应，其中回避路由将新的 AI 样本重定向到解耦子空间内的非 AI 主导的路由。为了验证这一点，我们推出了 Treasure，这是一个涵盖 64 个模型和 36 万张图像的基准测试，具有不同的架构和 20 个闭源商业引擎。实验表明，虽然静态 SOTA 方法在现代发电机上会发生灾难性的失败，但 Fleet 在“豆宝 Seedream 4.0”上仅通过 10 次训练就将性能从 20.4% 恢复到 73.1%。代码和数据可在 https://github.com/ICTMCG/Fleet 获取。