Por qué esto es distinto
Hay una docena de detectores de imágenes de IA. Casi todos funcionan igual: usted sube su imagen a su servidor, un modelo mira los píxeles y recibe un número. Esto es lo que ocurre aquí en su lugar — y, más abajo, dónde este enfoque es peor.
| La mayoría de detectores | SynthCheck | |
|---|---|---|
| ¿Adónde va su imagen? | A su servidor, para procesarla | A ninguna parte. Se lee en su dispositivo |
| ¿Qué recibe de vuelta? | Un porcentaje de confianza | Las pruebas encontradas, ordenadas por peso |
| ¿Se puede ver cómo decide? | No: el modelo es suyo | Sí. Todo es público, y es el mismo código que ejecuta su navegador |
| Content Credentials firmadas | Se leen y se repiten, o se pasan a un servicio que las sube | Firma y vínculo con la imagen comprobados en su dispositivo |
| Coste y límites | Unas pocas comprobaciones gratis al día y luego suscripción | Gratis, sin cuenta, sin límite: aquí no se procesa nada que haya que pagar |
| ¿Funciona sin internet? | No | Sí, y es la prueba más simple de que no se sube nada |
Dónde un clasificador lo hace mejor
Un detector de aprendizaje automático mira los píxeles. Nosotros no. En una imagen despojada de todo —capturada, resubida, vuelta a guardar— un buen clasificador todavía puede ver en la propia imagen rastros que nosotros no tenemos forma de leer. Nosotros recurrimos a la forma del archivo, que detecta muchísimo, pero no todo. Si aquí sale «no se puede saber», una herramienta basada en píxeles es una segunda opinión razonable. Preferimos decirlo a fingir que esa brecha no existe.
Por qué no hay porcentaje
Un número parece una respuesta, y ahí está el problema. El mismo detector que supera el noventa por ciento en un conjunto de prueba fácil cae hacia el cara o cruz ante imágenes hechas para parecer auténticas — y el número que le enseña es idéntico en ambos casos. Las pruebas no tienen ese defecto: usted ve qué se encontró, y ve cuándo no se encontró nada.