Een team van onderzoekers heeft een uitgebreide dataset gepubliceerd die de eerste week na de lancering van GPT-Image-2 analyseert. De studie legt bloot hoe moeilijk het is geworden om synthetische beelden van echte foto's te onderscheiden en wijst op kritieke tekortkomingen in de digitale herkomstcontrole op platforms zoals X.
De introductie van GPT-Image-2 door OpenAI op 21 april 2026 wordt door experts beschouwd als een keerpunt in de ontwikkeling van AI-gegenereerde beelden. Volgens een wetenschappelijk rapport dat is geüpload naar arxiv.org is de grens tussen fotografische realiteit en synthetische content door dit model moeilijker te herkennen dan ooit tevoren. Om deze ontwikkeling in kaart te brengen, hebben onderzoekers onder wie Kidus Zewde en Simiao Ren de 'GPT-Image-2 Twitter Dataset' samengesteld.
Methodologie en samenstelling van de dataset
De onderzoekers richtten zich op de directe nasleep van de release van het model. Met behulp van de Twitter API v2 verzamelden zij in een periode van zes dagen in totaal 27.662 records. Via een zorgvuldig curatieproces, waarbij gebruik werd gemaakt van meertalige tekstheuristieken in het Engels, Japans en Chinees, konden 10.217 afbeeldingen definitief worden bevestigd als zijnde gegenereerd door GPT-Image-2.
Om de authenticiteit van deze beelden te verifiëren, hanteerden de auteurs verschillende methoden. Naast het analyseren van tekstuele aanwijzingen in posts, gebruikten zij browser-automatisering om de officiële "Made with AI"-badges van het platform te controleren en zochten zij naar specifieke varianten van de modelnaam in de berichten.
Belangrijkste bevindingen en analyses
De dataset werd onderworpen aan vier verschillende analyses om de kenmerken van de AI-generaties te begrijpen:
- Tekstuele leesbaarheid: Een opvallend resultaat is dat 82,0% van de beelden detecteerbare tekst bevat via OCR-analyse, wat wijst op een hoge mate van precisie in het renderen van letters.
- Gezichtsdetectie: In 59,2% van de afbeeldingen werden gezichten herkend, wat in totaal neerkomt op 22.583 gedetecteerde gezichten.
- Semantische clustering: Met behulp van CLIP ViT-L/14 werden 137 verschillende clusters van onderwerpen geïdentificeerd.
- Onderwerptaxonomie: Er werd een zero-shot taxonomie toegepast om de diverse categorieën van de gegenereerde beelden te classificeren.
Problemen met digitale watermerken
Een van de meest kritische conclusies uit het onderzoek betreft de herkomstverificatie van AI-content. De onderzoekers stelden vast dat C2PA-contentcredentials — cryptografische metadata die bedoeld zijn om de oorsprong van een bestand aan te tonen — systematisch worden verwijderd door het Content Delivery Network (CDN) van Twitter bij het uploaden van een bestand.
Dit betekent dat cryptografische bewijsvoering voor de herkomst van AI-beelden op sociale media momenteel onmogelijk is, aangezien de platformtechnologie de noodzakelijke metadata wist. Dit vergroot de uitdaging voor gebruikers en moderatoren om synthetische content te onderscheiden van authentieke fotografie.
Bredere context van AI-beeldgeneratie
Terwijl OpenAI met GPT-Image-2 de markt beïnvloedt, blijven andere spelers hun diensten optimaliseren. Zo biedt bing.com diverse opties voor gebruikers, waaronder verschillende beeldverhoudingen en modellen zoals MAI-Image-2.5-Flash voor dynamische resultaten. De toegankelijkheid van dergelijke tools, gecombineerd met de bevindingen uit de , onderstreept de noodzaak voor robuustere detectiemethoden.
Hoewel zoekmachines zoals google.com geavanceerde filters bieden om afbeeldingen te sorteren op type, zoals 'gezicht' of 'lijntekening', blijft de detectie van hoogwaardige AI-generaties een complex technisch probleem. De volledige dataset en de bijbehorende curatiecode zijn door de onderzoekers publiekelijk beschikbaar gesteld om verdere studies naar AI-attributie te ondersteunen.