Pangram 推出 AI 影像與影片偵測：熱區標示、逐格查核，能成為內容真偽的證據嗎？

專題編輯：Iris Hsieh｜AI 資安與治理編輯

一張真照片裡只有局部是 AI，傳統二分答案開始不夠用

想像一張真實拍攝的商店照片，店面、人群和街景都沒有問題，只有招牌被後製成另一個文字版本。內容查核者需要的不是「這張圖可能是 AI」這句總結，而是知道哪裡不尋常，接著能核對原始照片、拍攝來源與修改歷史。圖片的真偽不再是單選題，因為素材可能同時包含相機拍攝、修圖、生成填補、拼貼與壓縮所留下的痕跡。

Pangram 的 Image 1.0 提供熱區視覺化，試圖指出疑似由 AI 生成的區域，而 Image Flash 1.0 則針對影片提供較快的分析能力。公司表示系統現在支援影片上傳、逐格結果、瀏覽器擴充功能與 API。這些設計把原本需要額外進入專用網站檢查的作業，向內容審查與日常瀏覽環境推進。對編輯與企業來說，真正的改變是可在同一個工作流程中發現異常，進一步要求證據。

但熱區是一種模型推論的呈現方式，不是可直接替代數位鑑識的客觀痕跡。顏色強弱通常表示模型判斷的相對傾向或可疑區域，並不一定等於某像素百分之多少為 AI 所製造。若沒有適當的測試與校正，亮紅色可能令觀看者產生不成比例的確定感。可靠的產品應解釋熱區的意義、偵測限制及何時應交由其他工具覆核，而不是以鮮明配色取代證據。

Pangram 推出了什麼？先區分兩個模型

官方 11 月 4 日的技術文章把這次更新分成兩條產品線。Image 1.0 是主要的靜態圖片偵測模型，主打可辨認前沿生成模型產物、提供局部熱區、對壓縮與低解析度影像維持一定魯棒性。公司將最低圖片尺寸門檻從原本 512 × 512 降至 256 × 256；當圖片低於 512 時，產品會附上較低信心的提示。這反映了網路圖片常被轉存、裁切與縮圖的現實。

Image Flash 1.0 則是一個較小、速度較快的模型，官方強調它在 AI 生成影片辨識上的表現，並提供逐格分析。逐格不是指每一格都能獨立揭露完整真相，而是讓審查者查看時間軸上哪些片段的模型分數出現變化。若片段只有短暫合成畫面，整段影片取平均可能掩蓋異常；時間軸視覺化可以幫助人員決定接下來要重看哪一幕。

Pangram 也把圖片偵測放進 Chrome 擴充功能，並提供可供其他系統串接的 API。對網路平台而言，這意味著偵測可由手工查詢變成內容上傳或審核工作流的一個步驟。它能提供初步線索，卻同時把產品的誤判率、服務可用性、資料保護及人工覆核責任帶入企業日常營運。只要偵測結果會影響下架、拒登或申訴，就不該把整個決策直接交給單一分數。

看似接近完美的準確率，為什麼仍不能當成真偽保證

Pangram 公布，Image 1.0 在自建的前沿生成圖片測試上達到 99.96% 的準確率。其方法是在 100 張真實照片的基礎上，使用 12 種生成模型建立共 1,200 張合成對照圖片。公司另稱 Image Flash 1.0 在 DF26 影片資料集取得約 98.7% 的成績。這些數字是值得觀察的技術訊號，但應保留原始測試範圍。Pangram 是產品供應商，也是評估設計與結果公布者，外界要推論到所有社群、新聞與商業情境仍須額外驗證。

準確率的含義取決於樣本如何組成。假設一批測試圖片有一半是真照片、一半是 AI 生成圖，單一模型的總正確比例可能很高。但在另一個真照片占九成九的平台上，即使誤判正常照片的比例很低，被標記為可疑的圖片中仍可能混入很多真素材。這是基率問題，也就是異常事件原本有多常見，會決定警報的實際可信度。一般使用者容易忽略這點，企業的審查團隊卻不能忽略。

另一個問題是資料分布變化。新一代生成模型持續更新，影像會經過裁切、重新編碼、套濾鏡、拍攝螢幕、加上字幕或混合真實攝影。原本測得很準的模型，到了陌生的影片平台或產業素材，可能出現不同的錯誤型態。即使官方報告對壓縮與低解析度有較高耐受力，也不代表在每一種加工條件都已被驗證。對外公布成效時，應連同適用的產生模型、影像來源及評估期間一起說明。

影像偵測還必須分清兩種錯誤。假陽性是把真人拍攝的內容誤判為 AI，可能讓攝影師、受訪者或品牌蒙受不必要的質疑；假陰性則是把合成內容放過，可能延遲處理冒名訊息或詐騙素材。兩種錯誤的成本不對稱，且取決於使用情境。社群平台做內容分級的容錯方式，與新聞媒體判定一段影片是否可以刊登，不能使用同一套簡化門檻。

熱區與逐格分析提供的是線索，不是內容的身分證

為什麼同一張圖片，熱區指向某個角落，最後卻不能確定那一處就是 AI？原因在於偵測模型通常從影像特徵推估生成痕跡，並不知道拍攝者使用什麼裝置、當時環境如何，或編輯過哪些素材。背景的壓縮雜訊、特殊光線、重複紋理與極端修圖，都可能影響辨識。熱區能幫助人類縮小查核範圍，但它不是原始檔案歷史的直接證明。

內容來源驗證應把多種證據放在一起。第一類是來源脈絡：發佈者、拍攝時間、原始上傳位置與事件是否存在。第二類是檔案線索：原始照片、編輯紀錄、攝影設備資料及可用的內容來源憑證。第三類是外部比對：其他角度的照片、現場紀錄、當事單位的正式說明。第四類才是模型偵測結果。每一類可能不完整，但交叉比對比單靠 AI 分數更能支持負責任的判斷。

針對影片，逐格的價值在於讓查核有時間定位。一段影片的前十秒可能完全真實，後面突然插入一段合成臉孔或畫面；平均分數不足以描述整體情況。若能把疑似片段的時間碼交給編輯、法務或稽核人員，後續覆核會更具體。然而剪輯轉場、影像穩定、慢動作與字幕層也可能影響特徵，因此不能因某一格出現高分就直接宣告整支影片造假。

這件事也涉及證據可重現性。企業若打算根據偵測結果拒絕一張照片或處理一件客訴，至少應留存原始檔案的檔案雜湊、檢測時間、模型版本、結果與當時的政策門檻。模型升級後，同一份素材可能得到不同分數；如果沒有版本紀錄，申訴處理就無法回頭說明當時的決策依據。成熟的偵測流程應支援覆核與更正，而不是只有一個永遠不可挑戰的標籤。

新工具最可能先影響三種工作場景

第一個是媒體和內容編輯。新聞室收到讀者提供的突發事故影片時，查核人員可把影像偵測當成前置篩查，但仍必須獨立確認地點、時間、來源與事件。對於可能引起公共恐慌的素材，寧可多做一輪求證，也不應讓產品的行銷準確率決定是否立即刊登。媒體更應建立明確的「無法證實」標示，讓不確定性成為正式工作結果。

第二個是品牌和電商平台。商品照、租屋資訊、網路廣告或代言素材若混入生成內容，可能帶來誤導與消費爭議。AI 偵測可以協助找出需重新確認的素材，但不能把所有 AI 後製圖片都視為違規。廣告設計本來就可能合理使用合成背景、修圖及插畫；真正要管理的是呈現方式是否與事實相符、是否侵害權利、是否符合平台與法規要求。

第三個是企業內部驗證。人資收到的證件影像、金融機構的文件照片、保險理賠的事故圖像等，都可能需要真實性檢查。然而這些資料通常含有高度敏感的個人資訊。將檔案直接上傳外部 AI 服務前，必須確認資料處理條款、留存期限、跨境傳輸、刪除機制與可接受的用途。偵測工具若改善了準確率，卻製造新的個資外洩面，整體風險未必下降。

應不應該買？用決策錯誤成本來評估

採購前先列出最重要的用途，而不是先要求供應商示範最吸睛的熱區效果。若目的是協助新聞採編，驗收應看是否能節省初步排查時間、減少漏掉關鍵合成片段的比例，並產出人類可以審閱的證據。若目的是電商內容分級，則要關注正常商家素材被誤判的比率、申訴率以及人工複核工時。若用於身份與理賠領域，還需要更嚴格的法遵與風險評估。

建議使用真實但已授權的測試集，包含不同解析度、不同壓縮程度、真照片、全 AI 圖、局部後製，以及多種剪輯影片。樣本應分別標記來源並由人類先建立可查核的對照答案，不能用同一個偵測模型先產出標籤，再用其標籤證明自己準確。最終除了準確率，也應記錄每千件素材的假警報數、漏報數、平均覆核時間、模型費用與資料保存成本。

在正式流程中，可以讓偵測系統只提出「需要覆核」的候選項，再由有適當權限的人員決定是否下架、拒登或發布更正。當決策可能傷害個人名譽、職業或法律權益時，必須提供可說明的判定依據與申訴管道。這條分工原則可能使自動化比例不如供應商簡報中的漂亮，但更符合企業長期承擔責任的現實。

「辨識 AI」與「證明真實」會逐漸走向兩套互補技術

AI 偵測回答的多半是「這份內容看起來像不像由模型生成」；內容來源憑證回答的是「這份內容能否附帶可信的製作與修改紀錄」。前者可以掃描沒有附帶憑證的素材，後者能補上產製鏈，但兩者都存在邊界。沒有可信憑證不代表內容一定是假；通過模型偵測也不代表事件一定是真的。將兩者串成互補的審查層，可能比追求某一個完美偵測器更實用。

Pangram 的更新顯示，AI 內容辨識開始從文字平台伸向圖片、短影片、網頁和 API，工具可以更貼近真實工作。接下來需要觀察的不是哪家最快宣稱百分之百準確，而是哪家願意公開在陌生資料集上的效果、為不同用途提供合理門檻、協助客戶保存證據，並在錯誤發生時提供可操作的救濟機制。當人們開始用演算法判斷內容真實性，對演算法的責任要求也必須同步提升。

一份 AI 影像偵測報告，為什麼需要同時讀懂三個指標

準確率代表所有測試樣本中有多少被正確分類，但它不會直接告訴企業最關心的誤判問題。若系統用來決定是否下架商品照片，管理者更需要知道：真正是 AI 的圖片有多少被發現、正常照片有多少被錯誤標記，以及所有被標記的圖片裡究竟有多少真的符合政策定義。這三個問題分別關係到召回率、假陽性率與精確率，不能只用一個接近百分之百的數字代替。

用簡化例子說明。假設一個平台一萬張圖片中，只有 100 張是真正需要標記的合成影像。若偵測器找對其中 99 張，同時把其他 9,900 張正常圖片中的 99 張錯判為可疑，總體準確率仍可很高，卻會產生 198 張待處理警報，其中約一半是誤報。這些數字只為示範基率效應，不是 Pangram 官方測試結果。當企業實際違規比例很低時，審查人員的人工負擔可能比直覺想像更大；如果直接自動下架，正常使用者承受的損失也可能很高。

管理者因此應先定義用途，再設定警報門檻。新聞查核可能更在意不要放過重大合成畫面，但不能因單一高分就誤指控當事人；品牌內容審核可能希望減少明顯違規素材進入公開頁面，但也需要避免把合法廣告設計當成詐騙；身份資料審查則可能具有更嚴格的風險要求。不同工作應分別調整模型門檻、人工覆核比例與證據保存政策，而不是讓全公司共用一個沒有人知道如何訂出的數字。

AI 偵測還有一個常見陷阱：用模型本身標註的資料作為真實答案，再據此評估另一個模型。若人工沒有確認素材來源，就可能把某個模型的偏差複製到評估集。較可信的測試資料應有可追溯的原始來源，合成圖片應保存使用的生成流程、模型版本與後製步驟；真人照片則要取得拍攝、授權與真實性資料。難以判定的案例不應硬塞進真或假兩類，應建立第三種「證據不足」狀態。

內容來源憑證與 AI 偵測，應如何在一條工作流中互補

一份內容可以在沒有使用生成式 AI 的情況下，被剪接成具有誤導性的故事；也可能大量使用 AI 生成技術，但明確標示為藝術創作且不會欺騙任何人。因此「用了 AI」與「不可信」是兩個不同概念。內容治理應先判定需要管理的是哪種風險：偽造現場、冒用人物、產品資訊不實、著作權爭議，還是未依規定揭露合成內容。若政策沒有先定義，任何偵測分數都很難形成公平一致的處理標準。

來源憑證的理想情況，是在內容製作與修改過程保留可以驗證的宣告，讓使用者知道某張照片由哪個裝置或軟體產生、經過哪些類型的處理。這類憑證若被平台保留，可以減少後續猜測；然而網路上的大量舊照片與轉載素材未必具有完整紀錄，憑證也可能在分享或壓縮時遺失。沒有憑證不等於有問題，正如帶有憑證也不保證畫面所描繪的事件真的發生。查核仍需要來源比對與事件脈絡。

把兩類工具整合時，可以先讀取可用的來源資訊，再用偵測模型檢查需要進一步確認的影像，接著由人工比對外部證據。若模型發現局部可疑區域，應保存原始檔案與時間碼，讓查核者決定是否向投稿者索取拍攝原檔、其他角度或更完整說明。檢測結果應附上模型版本、時間與不確定性，而不是只有一個紅色的真假標記。需要法律或公共利益判斷的案件，再交給具適當權責的人類主管。

從企業治理角度看，這是一個證據鏈設計問題：誰收到檔案、哪個系統做了分析、是否修改了原始素材、誰看過結果、最後由誰決定。當外部使用者申訴時，平台必須能提出一份可以理解的紀錄，並在新的證據出現時修改判定。若所有資訊只存在某位員工的聊天記錄裡，偵測工具即使很準，也可能無法支持可靠的組織決策。

新聞室可以怎麼安排一件可疑影片的查核工作

假設編輯台收到一段宣稱拍攝到某城市重大事故的十秒影片。第一步不應直接投入 AI 偵測，而是確認投稿者資訊、原始發佈位置、取得時間與授權狀態。如果只有一個被反覆轉傳的版本，檔案壓縮和剪接可能已經改變很多可供分析的特徵。編輯應盡可能向原始來源取得較高品質版本，並保存從外部取得檔案時的原狀。

第二步是內容核對。檢查影片中的路牌、天氣、車型、地形、建物和事件時間是否與外部資料一致，並尋找其他角度的影像或官方通報。這些是獨立於生成模型的證據。當 AI 偵測器指出某些影格可疑時，編輯可以回到特定時間碼檢查細節，與可見的事實交叉比對。若查核仍然不能確定，可以暫緩刊登或明確向讀者說明尚未獨立證實，避免以模型分數替代新聞判斷。

第三步是決策與留存。重大爭議素材應由有責任的編輯主管批准，並留下使用過哪些材料與判定依據。若最後確認畫面遭到合成，稿件應說明具體造假部分，不能泛稱整支影片百分之百皆由 AI 產生，除非有充分證據支持。若後續證明偵測器誤判，新聞室則應有正式更正機制，以同等清楚的方式說明修正原因。這個流程是建議性操作示例，不是 Pangram 官方提供的新聞工作 SOP。

同樣的原則可套用在企業品牌危機。公司收到疑似高階主管的不當發言影片時，法務、公關與資訊安全團隊應先保留原檔、確認來源、核對當事人的實際活動時間與公開紀錄，再將 AI 檢測結果列入綜合判斷。急著以一個分數宣布影片為假，可能讓後續的公信力更難恢復；急著否認真實影片，同樣可能造成重大聲譽損失。

企業採購 AI 偵測工具的實作規格，可以寫得比準確率更清楚

試點前應把資料類型分層：公開網頁圖片、可上傳的行銷素材、含個資的客戶檔案，以及不能離開企業內部的敏感資料。每一層可能需要不同的處理方式。不能因為供應商提供瀏覽器外掛，就假設所有員工可以任意上傳公司內部截圖。對外部 API 還要詢問檔案是否用於模型訓練、多久刪除、是否保留日誌、能否限制資料區域，以及如何處理非預期的分析失敗。

驗收設計可從三批素材開始：一批已知真實來源、一批可追溯的 AI 生成內容，以及一批混合真實攝影、局部生成、壓縮與裁切的困難案例。每批都應包含高低解析度、不同裝置來源與不同主題。除了整體準確率，還要分別計算每一類的誤報、漏報、人工覆核時間與系統費用。對影片則應檢查時間碼是否足夠精準，以及短暫合成片段是否容易被平均分數掩蓋。

工具上線後，應追蹤與初期測試不同的真實資料，並定期重新建立由人工確認的評估集。若某一代生成模型推出新功能，既有偵測能力可能需要重新驗證。用戶介面也值得測試：若審查員把熱區顏色誤解成確定判決，即使模型數學表現良好，實際決策仍可能不可靠。好的產品應讓人員知道何時相信、何時查證，以及何時必須坦承無法判定。

長遠來看，AI 偵測服務的商業價值不是讓所有人都得到一個很快的真假答案，而是縮短人類找到關鍵疑點的時間，降低嚴重漏查的風險，並讓整個處理過程有證據、有責任、可申訴。這樣的價值需要更嚴格的實務驗證，卻也更有可能成為企業願意持續付費的能力。

當偵測工具成為日常介面，如何避免新的信任危機

在社群平台的日常使用中，使用者可能只看到一枚警示標記，完全不知道背後是模型預測、平台政策還是經人工確認的結論。因此，產品和平台應區分「偵測模型提出疑慮」「來源資料與申報不一致」「內容政策判定違規」三種不同狀態，並用容易理解的文字說明。若把所有情況都標為假內容，可能使民眾對工具失去信任，也可能對合法創作者造成過度懲罰。

這裡還涉及創作者的透明度需求。攝影師、設計師與影像剪輯人員可能合理使用去背、修復、上色、插畫合成等技術。當平台要求 AI 揭露時，應明確界定哪些編輯程度需要標示，哪些屬於不影響事實的正常後製，並提供更正途徑。對於出現誤判的案例，平台可以讓創作者提交原始素材、編輯歷史或其他證據，交由人工覆核。這樣的制度雖然提高作業成本，卻能避免 AI 偵測演變成難以申訴的自動判決。

企業對外發布內容時，也可以主動保存設計來源、原始影像的合法使用紀錄與生成素材授權資訊。這不表示每張圖片都必須公開完整製作流程，而是發生爭議時有能力提出合理說明。把來源管理當成日常內容製作的一部分，比等到被偵測模型標記才回頭尋找素材，通常更容易降低時間與聲譽成本。

還有跨國平台常見的語境問題。某段影片在一個市場是明確標示的戲劇、廣告或諷刺內容，轉傳到另一個市場後可能失去原先的說明，因而被誤認為真實事件。偵測模型即使正確辨認生成痕跡，也無法單獨恢復失去的上下文。內容審查政策要考慮發布者意圖、揭露方式、使用者理解及實際傷害，而不是只問是否使用 AI 工具。對企業來說，這代表技術團隊、編輯、法務與客服需要共同設計流程，不能把所有決策壓在影像分類分數上。

平台還應定期公布申訴的處理結果與誤判改善情況，讓外界知道制度是否真的能被修正，而不是只有模型宣傳指標。

查核過程中的不確定性，應與結論一起被清楚保存與說明。

編輯台可以直接採用的影像查核證據鏈

Pangram 的熱區與逐格結果可以幫忙決定「下一步該看哪裡」，但如果編輯台只留下截圖與一個高分數，日後遇到爭議，仍很難說明當時為何判斷可信。比較可行的做法，是把偵測器視為線索來源，保留獨立的檢查紀錄。

上表是供新聞室及企業內容審核使用的原創模板，不是 Pangram 對外宣稱的實際工作規範。編輯台可對同一批真假已知的素材做盲測，記錄誤判和拒判情形，再決定工具要放在初篩還是輔助複查。對涉及個人名譽、重大災害或市場交易的畫面，不能因模型顯示高信心就直接公開指控。

本文提供空白 media_provenance_review.csv 作為複查台帳，沒有原始證據的案件應標示「尚未確認」，而不是用 AI 生成與否取代新聞查證。

常見問題

Pangram Image 1.0 能指出圖片哪裡是 AI 嗎？ 它提供熱區標示疑似生成區域，但那是模型推論線索，不等於司法鑑識或完整來源證明。

Pangram 可以偵測 AI 影片嗎？ Image Flash 1.0 支援影片上傳及逐格分析；判定效果仍須考慮影片來源、處理方式與測試資料的差異。

99.96% 準確率是否代表幾乎不會誤判？ 不能這樣推論。該數字對應 Pangram 公布的特定測試設計，並非所有社群與企業影像的普遍準確率。

資料來源

1. Pangram，Introducing Pangram Image 1.0，2026／11／04
2. The Next Web，Pangram 圖片與影片偵測新聞，2026／11／04
3. Pirate Wires，Pangram AI 影片偵測專訪，2026／11／04

圖片資訊

封面圖片為原創概念示意圖，使用抽象熱區和影片時間軸表現影像分析，並非 Pangram 實際判定畫面或真實取證紀錄。

延伸閱讀

探索更多 AI 工作實務