Die Abrechnung – v2.0
Die Sonde, die meine eigene stärkste Behauptung widerlegte, zusammengestellt aus meinem Forschungsregister.
Mitte 2026 driftete mein Stack zu Heads pro Domäne, und diese Drift warf eine Frage auf, die ich rigoros beantwortet haben wollte: Könnte ich stattdessen die Basis härten – generatorinvariante Features finden, sodass ein Fundament auf ungesehene Modelle generalisiert, wie es die Patentthese nahelegte? Der Test war Cross-Source-Generalisierung: auf dem bestehenden Korpus trainieren (Kamera-, gescrapte und Kunst-Pools) und auf drei Pools ungesehener Generierung von 2025 evaluieren – Reel-Screenshots, photorealistische KI von Instagram und Midjourney.
Das Urteil vorweg
In meinem aktuellen Feature-Satz existiert kein generatorinvariantes Fundament. Die Warp-Basis ist wirklich modellagnostisch, aber nur innerhalb der Verteilung von Kamerafotos, auf der sie aufgebaut wurde. Bei photorealistischer Social-KI von 2025 und Midjourney ist der Warp – wie jedes andere Physiksignal und DINOv2 – an die Datenabdeckung gebunden und kehrt sein Vorzeichen um.
Die Matrix
Auf OLD trainiert, pro Quelle evaluiert (AUC < 0,5 bedeutet, mein Modell nennt die KI dieses Generators „echt“ – Vorzeichenumkehr):
| Familie | OLD-CV | reel | ig_photoreal | midjourney | NEW-CV |
|---|---|---|---|---|---|
| warp | 0.732 | 0.581 | 0.261 | 0.218 | 0.581 / 0.261 |
| capture | 0.694 | 0.837 | 0.383 | 0.562 | 1.000 / 0.816 |
| optical | 0.645 | 0.227 | 0.548 | 0.283 | 0.982 / 0.884 |
| dino | 0.735 | 0.674 | 0.249 | 0.457 | 0.926 / 0.990 |
| fusion [warp+dino] | 0.820 | 0.754 | 0.251 | 0.465 | 0.927 / 0.989 |
| full stack | 0.846 | 0.794 | 0.285 | 0.505 | 1.000 / 0.990 |
Ich lese sie auf drei Arten, in absteigender Bequemlichkeit:
- Die Spalte NEW-CV ist die gute Nachricht. In der Verteilung trainiert, trennt sich jeder neue Pool bei 0,9+. Diese Generatoren sind nicht unerkennbar – sie sind unabgedeckt. Generalisierung kommt aus Daten, nicht aus einem besseren Fundament.
- Die Umkehrungen sind die schlechte Nachricht. Warp bei 0,218 auf Midjourney ist kein Rauschen – es ist mein Modell, selbstsicher falsch, weil das nicht-fotografische Texturmuster von MJ zur Signatur „kein zerbrechliches PRNU“ von Dingen passt, die mein Trainingssatz als echt gelabelt hat.
- Die Spalte reel ist eine Falle. Ich habe den scheinbaren Wert 0,837 von capture auf Reels in reine Auflösungs-Confounds zerlegt: Ein Auflösungsgültigkeits-Paar von Capture-Features las einen klassenkorrelierten Auflösungsunterschied von 2,25×, keine Physik. Mein Screening fing auch eine Capture-Defeat-Rate von 17 % im photorealistischen Pool auf – photorealistische KI, die eine Sensorsignatur vortäuscht – und ~14 % Label-Rauschen („Das ist KI.“-Rage-Bait-Posts, die tatsächlich echt sind).
Die Sicht pro Feature auf dieselbe Geschichte: Auf dem gemischten/heruntergerechneten Korpus fallen die Verteilungen echter und generierter Bilder bei den vier Kern-Warp-Features im Maßstab von Millionen Kacheln nahezu zusammen. Mein Invarianz-Sweep pro Feature fand exakt null Features, die über alle Quellen hinweg konsistent trennen – das nächste, ein hochfrequentes spektrales Peak-Feature, liegt überall über 0,5, aber nur knapp.
Was überlebte
Die Sonde war nicht rein destruktiv. Ein Folgedurchlauf erlaubte mir, das Warp-Modell selbst zu härten: Tiefere Bäume hoben die Bild-AUC der Kameradomäne von 0,692 auf 0,714, die Feature-Gain-Analyse krönte circ_var_noise, und Leave-one-out zeigte, dass die 4 Seam-Features zu totem Ballast geworden waren – ohne Verlust zu einem schlankeren Warp-Modell beschneidbar.
Und die Neupositionierung, die ich für mich selbst aufschreiben musste, wörtlich aus meinem Forschungsregister:
v2.0 = eine Kameraphysik-Basis + eine Fusion nach Datenabdeckung, kein modellagnostischer Detektor für Generatoren von 2025. Die modellagnostische These hält innerhalb der Verteilung von Kamerafotos; sie erstreckt sich mit keinem Feature, das ich habe, auf aktuelle photorealistische Social-KI / Midjourney.
Warum dies der produktivste Fehlschlag war, den ich hatte
Jede Architekturentscheidung, die ich seither getroffen habe, folgt aus dieser Tabelle:
- Klassenkorrelierte Confounds wurden zur Screening-Disziplin – ich lasse klassenkorrelierte Auflösung nie wieder ins Training; neue Social-Pools sind nur für die Fusion.
- Ich habe die Capture-Signatur vom Generalisierungs-Feature zum hochpräzisen Prior zurückgestuft:
capture-present → real, nur bei nativer Auflösung gültig, dominant, wenn sie feuert, und sonst still. In meinem aktuellen Stack ist dieser Prior eine der stärksten Komponenten – richtig eingesetzt, musste er nie generalisieren. - „Abdeckung in der Verteilung ist der einzige Hebel“ wurde zum Schwungrad – tägliches Scraping, Aufnahme in den Feature Store, Warm-Start-Retrainings (Kapitel 6). Wenn Generalisierung aus Daten kommt, ist mein Burggraben die Daten-Pipeline, nicht das Modell.
- Folgesonden schlossen angrenzende Türen mit derselben Strenge: Ich widerlegte Super-Resolution-Vorverarbeitung, maß kleinere Kacheln als schlechter und öffnete den Umschwung zur Container-Herkunft (Kapitel 6), gerade weil ich die Invarianz im Pixelraum bis an ihre Grenze gemessen hatte.
Die Hypothese steht weiterhin dort, wo die Physik es sagt: innerhalb der Domäne von Kamerafotos, gegen die Klasse von Generatoren, die keine Sensoren simulieren. Was v2.0 entfernte, war meine Extrapolation – und was es mir hinterließ, war eine Engineering-Strategie, die tatsächlich ausgeliefert werden konnte.