评估图片检测，先把四种结果放回同一张表

先写清楚什么算生成图片

讨论检测效果之前，先约定评估对象。整张图由生成模型产生、真实照片经过轻度调色、照片中局部物体被生成式编辑，这三种材料并不自动属于同一个标签。若评估者把所有使用过人工智能的软件处理都算作生成，而工具只评估主要画面的生成风险，即使双方记录诚实，结论也会发生冲突。类别定义应写在表格上方，说明局部编辑和混合素材如何处理，不能等看到结果后再调整。

标签需要独立依据。作者保留的生成记录、可核实的拍摄过程或明确的制作材料，可以帮助建立参考类别；仅凭另一个检测器给样本贴标签，会把待评估的问题转移给另一套未知模型。来源无法确认的图片可以进入待核实集合，但不应强行放进已知真实或已知生成集合。参考类别本身不可靠时，再精确的统计也只是把不确定的输入算得更加整齐。

四种结果各自回答什么^[1]

scikit-learn 的混淆矩阵文档用真实类别与预测类别组织计数。把生成图片约定为正类，就有四种结果：确实生成且被提示、确实拍摄却被提示、确实生成却没有被提示、确实拍摄且没有被提示。正类是一项统计约定，不是价值判断；换用另一种正类约定时，名称和指标解释会跟着改变，所以必须先说明。

阅读时可以沿两个方向看。按真实类别分组，可以问真实照片中多少被误报、生成图片中多少被漏掉；按模型判断分组，可以问被提示为生成的一批图片中多少有可靠生成依据。前者关注工具对已知类别的处理，后者关注用户拿到提示后应怎样理解。把两类问题合并成笼统的正确率，会遮住决定复核工作量的差异。

用假设样本理解分母

设想一个教学材料库，包含六十张有可靠拍摄依据的照片与四十张有生成记录的图片。假设工具把十张照片标成高风险，同时漏掉八张生成图片。这里的数字仅解释四种结果，绝非本站实测。错误总数是十八张，但十张误报与八张漏报带来的后续工作不同，不能因为总数相同，就认为不同检测器在所有使用场景中的价值相同。

如果审阅者只查看高风险结果，所见集合由被找出的生成图片和误报照片共同组成；若担心漏掉生成内容，则需要沿实际生成集合检查未被提示的部分。同一张表能算出不同指标，每个指标有自己的分母。发表结果时同时给出原始计数，读者才能核对百分比，判断某项指标是不是靠大量容易判断的样本拉高，并看出真正需要复核的数量。

阈值也是表格的一部分

连续分值要通过判定规则才能进入四格表。把高于某个分值的图片视为需要复核，是工作规则，并不把该分值变成图片真实性的界线。如果两次评估使用不同阈值，却只比较四格结果，就不知道差异来自模型还是判定规则。阈值、是否设中间不确定区间、任务失败如何记录，都应该与计数共同保存，使表格具有可以理解的产生条件。

本站模型与既有阈值保持固定，文章讨论指标阅读方法，并不重新调节检测规则。用户自行建立人工复核清单时，可以依据用途决定何时补找来源、何时暂停传播；这属于人的工作安排，不能写成本站模型已经采用新阈值。没有成功完成的任务也不能被当成低风险结果，应另列不可评估数量，并记录它是输入被拒绝、任务失败还是材料不支持。

按场景拆开看平均值

总体混淆矩阵可能混合商品照片、风景照、人像、插画和扫描材料。工具在一种材料上表现不同时，总体表格不一定暴露问题。可以保留总体计数，再按明确场景拆分小表，标明每组样本数量。分组规则应在查看结果前约定，避免把不理想的样本临时排除，或把困难类别合并成不显眼的其他类；否则表格只是解释者挑选出来的结果。

分组也有代价。一个组只有几张图片，增减一张错误就能让比例明显变化。此时原始计数比漂亮的小数位更重要，适合描述已观察到的情况，不适合宣称稳定识别水平。比较两个工具时，应让它们面对同一批独立材料，并保存相同文件版本。一个检测原始素材，另一个检测聊天软件压缩副本，得到的差异不能被直接归到算法能力上。

核对评估单位与重复材料

还要说明一行样本究竟是一张文件、一组制作版本，还是一个独立拍摄场景。同一照片导出十个尺寸，不能自然代表十次独立拍摄；同一提示词生成的大量近似图片，也可能共享制作条件。若这些副本集中在某个类别中，表格中的数量会增加，但评估覆盖的内容未必同样丰富。对材料去重和分组的说明，可以帮助读者看清统计单位。

有些评估把任务失败的输入删除后再计算指标，有些把失败计入工作流程的损耗。两种统计可以各有用途，却不适合不加说明地比较。一个工具只接受少数简单文件，成功任务上的结果可能很好，但它对实际材料库的覆盖仍然有限。评估记录应把收到、接受、完成和进入统计的数量分开，让使用者知道表格描述的是整个流程还是其中的成功部分。

把表格转成复核安排

评估最终要安排后续工作。误报较多意味着高风险提示不能直接用于指责作者，应增加联系提供方和查找制作过程的环节；漏报较多意味着低风险不能替代来源核查，特别在重要事件和商业承诺中。两类错误分别讨论，再结合能否延后发布、是否有原始素材、是否可联系当事人，确定人工处理优先级。对错误的容忍度来自用途，不来自一个抽象平均数。

可读的记录应保留类别定义、参考依据、样本计数、文件条件、判定规则和失败数量。缺失某项时，先限定结论，不要补写不存在的信息。对单图而言，分值仍是主要画面的生成风险参考；混淆矩阵是集合上的评估方法，它不能证明画面中的事件发生，也不能回答版权、人物身份和拍摄日期。把统计能力与事实证明责任分开，才能让这张表服务实际判断。

如果用于采购或选型，可以请评估方提供一张不依赖宣传摘要的表：列出样本来源、正负类别数量、真实类别确认方式、接受文件数量以及所用阈值。对于只有百分比没有计数的介绍，不需要立即认定其不可信，但应知道你尚无法判断结果的不确定性。评估报告也应明确是否由工具作者制作、是否公开材料，以及哪些条件没有覆盖。不同评估者使用相同名词，并不保证他们对材料和失败的处理相同。