Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 27 сен 2026

Ссылки

claim-photo-integrity-detector-v3

Классификация изображенийИзображение → label

ViT-модель классифицирует фотографии страховых заявлений как реальные или сгенерированные ИИ для первичной проверки их подлинности.

3 244скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Claim Photo Integrity Detector v3 — модель классификации изображений на базе Vision Transformer (ViT), разработанная автором репозитория для проверки целостности фотографий, приложенных к страховым заявлениям. Она относит изображения к категориям реальных и сгенерированных ИИ; версия 3 продолжает дообучение v2 и добавляет повседневные фотографии с телефона как примеры реальных снимков, чтобы снизить число ложных срабатываний на таких изображениях.

Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Для обучения использовались данные Defactify_Image_Dataset и аугментации с JPEG-пересжатием, шумом, размытием и изменениями яркости и контраста. Модель можно запускать через Transformers pipeline для image-classification.

Результат предназначен для первичной сортировки снимков и помощи при проверке страховых заявлений, а не для доказательства мошенничества. Качество снижается на изображениях, созданных генераторами новее тех, что встречались в обучающих данных. Лицензия — Apache-2.0.

Сценарии применения

первичная проверка фотографий в страховых заявлениях
отбор снимков для ручной проверки на признаки генерации ИИ
классификация повседневных телефонных фото как реальных или синтетических

Ограничения

Модель предназначена для сортировки снимков и направления их на проверку человеком, а не для доказательства мошенничества. Точность снижается на изображениях от генераторов, появившихся после обучающих данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Looking for AI-edit detection and tamper heatmaps? See Car Damage Photo Integrity v9 for image forgery localization in car-damage photos.

This repository retains its original checkpoint and inference instructions.

Claim Photo Integrity Detector v3

v3 of the claim-photo integrity detector. Continued fine-tuning of v2, which scored 97% validation accuracy but still misclassified real everyday phone photos (indoor scenes, people, video frames) as AI-generated.

v3's key addition: the builder's own everyday phone photos as "real" training examples - exactly the distribution v2 failed on - plus a stronger fine-tuning schedule (3 epochs at 2e-5 vs v2's 2 epochs at 1e-5) so the decision boundary actually moves. Training-time augmentation (JPEG recompression, noise, blur, brightness/contrast jitter) is kept.

Usage

from transformers import pipeline
pipe = pipeline("image-classification",
                model="obuladinnesai/claim-photo-integrity-detector-v3")
pipe("path/to/claim_photo.jpg")

Limitations

A triage signal for human review, not proof of fraud.
Accuracy degrades on generators newer than the training data.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: e69aa3f