← CLR की यात्रा

हिसाब-किताब: v2.0

वह प्रोब जिसने मेरे ही सबसे मज़बूत दावे का खंडन किया, मेरे रिसर्च बहीखाते से चुना गया।

2026 के मध्य तक मेरा स्टैक प्रति-डोमेन हेड की ओर बह रहा था, और उस बहाव ने एक सवाल खड़ा किया जिसका मैं सख़्ती से जवाब चाहता था: क्या मैं इसके बजाय बेस को सख़्त कर सकता हूँ, यानी जनरेटर-अपरिवर्तनीय फ़ीचर खोजना ताकि एक ही बुनियाद अनदेखे मॉडलों पर सामान्यीकृत हो, जैसा पेटेंट थीसिस का संकेत था? परीक्षण क्रॉस-सोर्स सामान्यीकरण था: मौजूदा कॉर्पस (कैमरा, स्क्रेप किए और आर्ट पूल) पर प्रशिक्षित करना, और 2025 की अनदेखी जनरेशन के तीन पूल पर परखना: रील स्क्रीनशॉट, Instagram के फ़ोटोरियल A.I., और Midjourney।

नतीजा, सबसे पहले

मेरे मौजूदा फ़ीचर सेट में कोई जनरेटर-अपरिवर्तनीय बुनियाद नहीं है। वार्प बेस सचमुच मॉडल-अज्ञेय है, पर सिर्फ़ उस कैमरा-फ़ोटो वितरण के भीतर जिस पर इसे बनाया गया। 2025 के फ़ोटोरियल सोशल A.I. और Midjourney पर वार्प, हर दूसरा भौतिकी सिग्नल, और DINOv2, सब डेटा-कवरेज से बँधे हैं और चिह्न उलट देते हैं।

मैट्रिक्स

OLD पर प्रशिक्षित, हर स्रोत पर परखा गया (AUC < 0.5 का मतलब है कि मेरा मॉडल उस जनरेटर के A.I. को “असली” कहता है, यानी चिह्न-उलटाव):

परिवारOLD-CVreelig_photorealmidjourneyNEW-CV
warp0.7320.5810.2610.2180.581 / 0.261
capture0.6940.8370.3830.5621.000 / 0.816
optical0.6450.2270.5480.2830.982 / 0.884
dino0.7350.6740.2490.4570.926 / 0.990
fusion [warp+dino]0.8200.7540.2510.4650.927 / 0.989
full stack0.8460.7940.2850.5051.000 / 0.990

मैंने इसे तीन तरह से पढ़ा, आराम के घटते क्रम में:

  1. NEW-CV कॉलम अच्छी ख़बर है। इन-डिस्ट्रीब्यूशन प्रशिक्षित करने पर हर नया पूल 0.9+ पर अलग होता है। ये जनरेटर अपहचानने योग्य नहीं हैं, बल्कि बिना कवर किए हैं। सामान्यीकरण डेटा से आता है, किसी बेहतर बुनियाद से नहीं।
  2. उलटाव बुरी ख़बर हैं। Midjourney पर वार्प का 0.218 शोर नहीं है; यह मेरे मॉडल का पूरे भरोसे के साथ ग़लत होना है, क्योंकि MJ का ग़ैर-फ़ोटोग्राफ़िक टेक्सचर पैटर्न उन चीज़ों के “कोई नाज़ुक PRNU नहीं” हस्ताक्षर से मेल खाता है जिन्हें मेरे ट्रेनिंग सेट ने असली लेबल किया था।
  3. रील कॉलम एक जाल है। मैंने रील पर कैप्चर के प्रत्यक्ष 0.837 को शुद्ध रेज़ोल्यूशन कन्फ़ाउंड में विघटित किया: कैप्चर फ़ीचर की एक रेज़ोल्यूशन-वैधता जोड़ी भौतिकी नहीं, बल्कि वर्ग-सहसंबद्ध 2.25× रेज़ोल्यूशन अंतर पढ़ रही थी। मेरी स्क्रीनिंग ने फ़ोटोरियल पूल पर 17% कैप्चर-पराजय दर भी पकड़ी, यानी फ़ोटोरियल A.I. जो सेंसर हस्ताक्षर की नक़ल कर रहा था, और ~14% लेबल नॉइज़ (“यह A.I. है।” वाले रेज-बेट पोस्ट जो असल में असली हैं)।

उसी कहानी का प्रति-फ़ीचर नज़ारा: मिश्रित/डाउनसैंपल्ड कॉर्पस पर, चार मुख्य वार्प फ़ीचर के असली और जनरेटेड वितरण दस लाख-टाइल के पैमाने पर लगभग एक-दूसरे पर बैठ जाते हैं। मेरे प्रति-फ़ीचर अपरिवर्तनीयता स्वीप में ठीक शून्य फ़ीचर मिले जो सभी स्रोतों में लगातार अलग करते हों; सबसे नज़दीकी, एक हाई-फ़्रीक्वेंसी स्पेक्ट्रल पीक फ़ीचर, हर जगह 0.5 पार करता है पर बस मामूली अंतर से।

जो बचा

प्रोब पूरी तरह विध्वंसक नहीं था। एक फ़ॉलो-अप पास ने मुझे वार्प मॉडल को ही सख़्त करने दिया: गहरे पेड़ों ने कैमरा-डोमेन इमेज AUC को 0.692 → 0.714 किया, फ़ीचर-गेन विश्लेषण ने circ_var_noise को ताज पहनाया, और लीव-वन-आउट ने दिखाया कि 4 सीम फ़ीचर बेकार बोझ बन चुके थे, जिन्हें बिना किसी नुक़सान के छाँटकर और दुबला वार्प मॉडल बनाया जा सकता था।

और वह पुनर्स्थापन जो मुझे अपने लिए लिखना पड़ा, मेरे रिसर्च बहीखाते से ज्यों का त्यों:

v2.0 = एक कैमरा-भौतिकी बेस + एक डेटा-कवरेज फ़्यूज़न, 2025 जनरेटरों का मॉडल-अज्ञेय डिटेक्टर नहीं। मॉडल-अज्ञेय थीसिस कैमरा-फ़ोटो वितरण के भीतर टिकती है; मेरे पास जो भी फ़ीचर हैं, उनसे यह मौजूदा फ़ोटोरियल सोशल A.I. / Midjourney तक नहीं पहुँचती।

यह मेरी अब तक की सबसे उत्पादक विफलता क्यों थी

तब से मेरा लिया हर आर्किटेक्चर फ़ैसला इसी टेबल से निकलता है:

  • वर्ग-सहसंबद्ध कन्फ़ाउंड एक स्क्रीनिंग अनुशासन बन गए: मैंने वर्ग-सहसंबद्ध रेज़ोल्यूशन को दोबारा कभी ट्रेनिंग में नहीं आने दिया; नए सोशल पूल सिर्फ़-फ़्यूज़न हैं।
  • मैंने कैप्चर सिग्नेचर को सामान्यीकरण फ़ीचर से हटाकर हाई-प्रिसिज़न प्रायर बना दिया: capture-present → real, सिर्फ़ नेटिव रेज़ोल्यूशन पर वैध, जब सक्रिय हो तब हावी और वरना चुप। मेरे मौजूदा स्टैक में वह प्रायर सबसे मज़बूत घटकों में से है: सही ढंग से इस्तेमाल करने पर उसे कभी सामान्यीकृत होना ही नहीं पड़ा।
  • “इन-डिस्ट्रीब्यूशन कवरेज ही एकमात्र लीवर है” फ़्लाईव्हील बन गया: रोज़ की स्क्रेपिंग, फ़ीचर-स्टोर में इन्जेस्शन, वार्म-स्टार्ट रीट्रेन (अध्याय 6)। अगर सामान्यीकरण डेटा है, तो मेरी खाई मॉडल नहीं, डेटा पाइपलाइन है।
  • आगे के प्रोब ने उसी सख़्ती से पास के दरवाज़े बंद किए: मैंने सुपर-रेज़ोल्यूशन प्रीप्रोसेसिंग का खंडन किया, छोटी टाइलों को ख़राब मापा, और कंटेनर-प्रोवेनेंस का मोड़ (अध्याय 6) ठीक इसीलिए खोला कि मैंने पिक्सल-स्पेस अपरिवर्तनीयता को उसकी सीमा तक माप लिया था।

परिकल्पना अब भी वहीं टिकी है जहाँ भौतिकी कहती है कि उसे टिकना चाहिए: कैमरा-फ़ोटो डोमेन के भीतर, उन जनरेटरों की श्रेणी के विरुद्ध जो सेंसर का सिमुलेशन नहीं करते। v2.0 ने मेरा एक्स्ट्रापोलेशन हटाया, और जो मेरे पास छोड़ा वह एक ऐसी इंजीनियरिंग रणनीति थी जो सचमुच शिप हो सकती थी।