arXiv cs.CL· Zisheng Liang, Kidus Zewde, Rudra Pratap Singh, Disha Patil, Zexi Chen, Jiayu Xue, Yao Yao, Yifei Chen, Qinzhe Liu, Simiao Ren·· 14 小时前AI 评分31
多模态（推理）LLM 能否检测文档篡改？
Can Multi-modal (reasoning) LLMs detect document manipulation?
AI 导读
研究基准测试了 OpenAI O1、OpenAI 4o、Gemini Flash（thinking）、Deepseek Janus、Grok、Llama 3.2 和 4、Qwen 2 和 2.5 VL、Mistral Pixtral、Claude 3.5 和 3.7 Sonnet 等多模态 LLM 检测伪造文档的能力。
正文 · AI 翻译
摘要：文档欺诈对依赖安全且可验证文档的行业构成重大威胁，因此需要稳健的检测机制。本研究考察了最先进的多模态大语言模型（LLM）——包括 OpenAI O1、OpenAI 4o、Gemini Flash（thinking）、Deepseek Janus、Grok、Llama 3.2 和 4、Qwen 2 和 2.5 VL、Mistral Pixtral 以及 Claude 3.5 和 3.7 Sonnet——在检测欺诈文档方面的有效性。我们使用包含真实交易文档的标准数据集，将这些模型相互之间以及与文档欺诈检测技术的先前工作进行基准比较。通过提示优化和对模型推理过程的详细分析，我们评估了它们识别细微欺诈迹象的能力，例如文本被篡改、格式错位和交易金额不一致。我们的结果表明，表现最好的多模态 LLM 展现出卓越的零样本泛化能力，在分布外数据集上优于传统方法，而若干视觉 LLM 则表现出不一致或低于标准的表现。值得注意的是，模型规模和高级推理能力与检测准确率的相关性有限，这表明针对特定任务的微调至关重要。本研究强调了多模态 LLM 在增强文档欺诈检测系统方面的潜力，并为未来研究可解释且可扩展的欺诈缓解策略奠定了基础。
| 评论： | arXiv 管理员注：文本与 arXiv:2503.20084 有重叠 |
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2508.11021 [cs.CV] |
| （或 arXiv:2508.11021v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2508.11021 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Simiao Ren [查看电子邮件]
[v1]
2025年8月14日星期四 18:57:07 UTC（328 KB）
[v2]
2026年10月24日星期六 21:36:31 UTC（328 KB）
来源：arXiv cs.CL · arxiv.org