数据收集的时间窗口极其短暂。推特API v2的“近期搜索”端点只允许访问过去7天内的推文，而模型发布日期是4月21日。研究者必须在4月21日至26日这6天内完成所有抓取——晚一天，第一波最原始、最真实的创作热潮就会永远消失在线。为此他们采用了付费的Basic级别服务（每读一条推文收费0.005美元），配合has:images -is:retweet过滤器，只抓取带图片的原创推文。查询设计的关键在于：要精准找到那些明确说自己“用GPT-image-2生成了图片”的推文，而不是那些仅仅讨论模型或者转发的广告。研究者设计了一套多语言“创作语言”查询，覆盖英语、日语、中文。例如，英语使用“made with”、“created by”、“prompt:”等信号；日语针对“で生成”（生成自）和“作ってみた”（试着做了）；中文使用“提示词”和“生成的”。此外，他们还加入了一个纯Hashtag查询（#GPTImage2），虽然数量少但确认率极高。表1：收集使用的查询类型及其图片产量和确认率。从表1可以看到，Hashtag查询的确认率高达94%，但数量只有1314张；而英文创作语言查询贡献了最大的原始量（13508张），确认率44%。总体来看，在14,154张过滤后的图片中，最终只有30.9%能被明确确认。其余都是只提了模型名但没有明确“生成”语言的“沉默创作者”——这些人占了绝大多数。图2：端到端收集与筛选流水线（从左到右）。第一阶段移除非照片媒体和下载失败；第二阶段应用多语言文本启发式分类得到三个类别。不确定推文进一步通过Playwright/Chromium浏览器自动化检查推特“Made with AI”标签，额外得到4750张标签确认的图片。整个收集过程就是一场与时间的赛跑。研究者的策略很简单：先用多语言关键词捞一把大的，然后通过一系列规则把“疑似AI”和“确认AI”分开。但最大的问题在于：如何从那些没有写“用GPT-image-2生成”的推文中挖出真金？
智慧筛选：多语言“侦探”如何锁定真实AI图片？
第一阶段只是简单粗暴地过滤掉非图片媒体（视频缩略图、GIF）和下载失败的记录，剩下26,515张照片记录。第二阶段才是真正的“侦探工作”：研究者设计了一套基于规则的文本分类器，为每张图片分配三个标签之一——确认、拒绝或不确定。确认条件：推文文本同时包含明确的创作语言（如“made with”、“created by”、“generated by”、“prompt:”）以及可识别的模型名变体（GPTImage2, GPT-image-2等）。日语加上了“生成”和“作ってみた”，中文加上了“提示词”和“生成的”。AI艺术标签（#AIart、#AIイラスト）作为弱确认信号。拒绝条件：出现比较语言（“vs”某个竞品）、提到三个及以上不同AI工具、或者发布公告式用语（“released”、“now available”）。不确定类：所有剩余记录。这是最大的一类，约占67%。表2：第二阶段分类结果（去重后的唯一图片记录）。通过Playwright检查更广泛的不确定池（约21,500条）包括来自完整26,515条记录的未去重记录。表2显示，明确确认的只有4,187张，拒绝的只有396张，剩下的9,571张都是不确定的。作者并没有放弃这些不确定的推文，而是做了一件更妙的事：利用Playwright（浏览器自动化工具）自动打开每条不确定的推文网页，查看推特官方渲染的“Made with AI”徽章——这是模型发布后推特平台自动为AI生成图片打上的标签。结果发现，在约21,500条检查过的推文中，有53.7%实际上带着“Made with AI”徽章！这相当于从不确定池中又挖出了4,750张确凿的AI图片。经过这一整套组合拳，最终的高置信度数据集包含10,217张图片。这些图片的语言分布也非常有趣：英语占40.3%，日语占32.8%，中文占19.2%——GPT-image-2在多国文字渲染上的优势吸引了大量非英语用户。表3：确认图片的语言分布（lang字段）。
这部分是整篇论文最令人“心碎”的发现。C2PA（Coalition for Content Provenance and Authenticity，内容来源与真实性联盟）是一个由Adobe、微软、OpenAI等巨头支持的标准，它通过在图片中嵌入加密元数据来标记内容的来源，相当于AI的“防伪身份证”。理论上，任何由GPT-image-2生成的图片都应该包含C2PA凭证，任何人都可以打开图片的元数据查看。然而，研究者下载了所有图片，仔细检查了EXIF、XMP和C2PA标记，结果是一无所获！每一张从推特API下载的图片都是赤裸裸的JPEG，没有任何元数据。这意味着什么？推特的CDN（内容分发网络）在上传图片时，直接杀死所有嵌入的元数据——这是系统性的破坏！无论你是什么模型生成的图片，只要经过推特平台，C2PA信誉就彻底失效。这一发现对整个AI图像溯源领域是沉重一击。很多依赖C2PA进行检测和归属的方案，在实际社交媒体部署中完全失效。幸运的是，推特自己推出了“Made with AI”徽章，这是一个平台内部的前端信号，但只能通过手动打开网页查看，无法通过API批量获取——而且创作者可以自行选择是否显示（或者在上传后标签才被应用），可靠性也有限。为了验证这个结论，研究者做了两个实验：一是下载所有不确定性图片的原始文件，通过Hex编辑器查看是否包含任何元数据残留，结果没有。二是用Playwright自动化浏览器直接打开每条推文的网页，检查是否存在“Made with AI”徽章。在约21,500条成功加载的推文中，53.7%带有徽章——说明平台还是有能力识别一部分AI图片，但它的触发机制（可能是基于上传时的元数据或用户举报）并不完美。这个结果也解释了为什么本研究必须依靠多语言文本启发式方法：在平台级元数据被破坏的情况下，唯一可行的AI图片溯源通道就是用户自报的“创作语言”。
Q2：C2PA是什么意思？为什么重要？A2：C2PA全称Coalition for Content Provenance and Authenticity（内容来源与真实性联盟），是一个行业标准，通过在图片中嵌入加密元数据来证明其来源（比如“此图由GPT-image-2生成”）。它相当于数字内容的“防伪标签”，理论上可以让任何用户验证图片是否AI生成。但论文发现，推特的上传系统会清除所有元数据，导致C2PA在社交媒体上完全失效。
Q3：为什么数据集只有一万多张？模型发布第一周用户创作应该很多吧？A3：其实作者通过多语言关键词捞到了14,154张经过过滤的图片，但其中只有约30%能通过文本明确确认为GPT-image-2生成。其余70%是“沉默创作者”——他们上传了图片但没有写任何“用XX模型生成”的文字。即使使用浏览器自动化检查“Made with AI”徽章，也只能额外确认一部分。另外，推特API的近期搜索端点只能访问7天数据，且不是索引所有推文，所以实际容量受限于搜索索引覆盖范围。所以这10,217张已经是最大努力下的高置信度集合了。
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评
论文创新性：★★★✰✰
首个GPT-image-2野生数据集，收集方法实用有效，但技术上没有突破性创新，属于工程贡献型。
实验合理度：★★★★✰
多阶段筛选设计合理，Playwright验证“Made with AI”徽章是亮点。但缺乏人工标注评估确认率，依赖规则可能漏掉部分真实AI图片。
[1] Z. J. Wang et al., “DiffusionDB: A large-scale prompt gallery dataset for text-to-image generative models,” ACL 2023.[2] M. Zhu et al., “GenImage: A million-scale benchmark for detecting AI-generated image,” NeurIPS 2023.[3] Coalition for Content Provenance and Authenticity, “C2PA technical specification, version 2.1,” 2024.[4] 原文链接：https://arxiv.org/pdf/2604.25370v1.pdf
夜雨聆风
