Pangram può segnalare un angolo di un’immagine. Che cosa può farne una redazione?

Un lettore manda un filmato di 12 secondi di un incrocio allagato. I primi secondi sembrano ripresi dal finestrino di un’auto. Negli ultimi si vede l’acqua uscire da un negozio, e il mittente vuole che la redazione pubblichi proprio quel momento. Da dove cominciare? Puoi analizzare tutto il filmato in cerca di contenuti sintetici. Ciò che serve è capire quali fotogrammi confrontare con altre prove.

Il 4 novembre 2026 Pangram, azienda che sviluppa strumenti di rilevamento dell’IA, ha pubblicato Pangram Image 1.0 e Image Flash 1.0. Il modello principale per le immagini produce una mappa di calore che indica le aree associate dal rilevatore a contenuti IA. Il modello Flash, più veloce, analizza i video caricati per fotogramma. Chi li verifica può vedere dove cambia il risultato nel corso del filmato. La versione ha esteso l’API Pangram a immagini e video e aggiunto il rilevamento di immagini all’estensione Chrome. Note di rilascio di Pangram

Pensa alla mappa di calore come a un evidenziatore. Può richiamare l’attenzione su un’insegna, una parte del cielo o qualche secondo di video. Chi cura la pubblicazione deve ancora capire chi ha fornito il file, quali passaggi ha subito e se ciò che mostra regge. Le domande sono particolarmente importanti se il risultato può ritardare una notizia o incidere sulla reputazione di qualcuno.

Foto di contesto all’incrocio tra 5th e Guadalupe ad Austin, scattata il 20 febbraio 2021. Foto di Jno.skinner, ritagliata e ridimensionata con licenza CC BY-SA 4.0. Foto originale

Illustrazione originale di Telli.sh. Il rilevatore può restringere la ricerca. I controlli indipendenti determinano quanto peso dare alla segnalazione.

La mappa di calore aiuta a chiedere le prove giuste

Supponi che l’incrocio allagato sia reale, ma che il logo di un negozio appaia sfocato in un modo che suggerisce un ritocco digitale. Ha senso chiedere il video originale e una foto contemporanea dalla stessa posizione. L’area evidenziata aiuta a dire che cosa cercare. Il confronto dovrebbe ancora tenere conto di ombre, mosso, stabilizzazione, ritagli e della possibilità che la piattaforma abbia modificato il file al caricamento.

Pangram illustra le mappe di calore con una fotografia che contiene un’immagine generata. Una foto può mescolare contenuti di origini diverse. Un montaggio può essere dichiarato e del tutto legittimo. La domanda pratica è se il cambiamento altera ciò che l’immagine afferma sui fatti. Oscurare il viso di un passante per riservatezza è una scelta editoriale diversa dall’inserire una folla in una scena vuota. Esempio ufficiale di mappa di calore

Il file originale conta più dell’intensità del colore sovrapposto. La versione in una chat di gruppo può essere più piccola e priva di metadati. Chiedi il file esportato dalla fotocamera senza modifiche o la versione più antica disponibile. Tienilo a parte da schermate, ritagli e ripubblicazioni. Per ciascun derivato annota da dove viene e come è stato creato. Se la segnalazione compare solo dopo che una piattaforma ha ridimensionato il file, registra la divergenza.

Pangram ha ridotto la dimensione minima dell’input da 512 × 512 a 256 × 256 pixel. L’annuncio dice che il servizio allega un avviso di confidenza ridotta sotto la precedente soglia di 512 pixel. Una miniatura può aiutare a trovare una copia migliore o individuare l’account di origine. Se è l’unica disponibile, conserva l’avviso accanto a ogni decisione che si basa sul risultato. Modifica delle dimensioni minime

Un video può cambiare natura tra un taglio e l’altro

Immagina un video di 12 secondi montato per i social. L’apertura mostra l’avvicinamento a un edificio. Un’inquadratura larga mostra l’ingresso, l’ultima l’acqua all’interno. Ogni pezzo potrebbe venire da una fonte diversa e il montaggio potrebbe precedere la consegna. Un risultato per fotogramma permette di andare alla transizione, confrontare prima e dopo e chiedere se l’interno appare anche nella versione più antica.

Usa i momenti indicati come riferimenti temporali e rivedi la sequenza a velocità normale e fotogramma per fotogramma. Cerca prima modifiche comuni come tagli, dissolvenze, titoli, schermate o l’inserimento di un secondo video. Poi confronta la parte contestata con luogo e ora dell’evento. Un segnale vistoso acquista valore se insegne, facciata, condizioni meteo o un’altra ripresa confermano in modo indipendente una pista.

Un caso si presta particolarmente a errori. Immagina un video autentico con una miniatura generata automaticamente, una voce doppiata e una fascia con didascalie. Tutte e tre le modifiche possono essere ovvie per chi lo ha caricato e mancare dall’originale. Lo strumento per fotogrammi analizza il materiale visivo ricevuto. Verifica a parte l’audio originale, chi ha ripreso il video, la data e se la miniatura rappresenta la scena.

Il caso inverso merita la stessa attenzione. Un video autentico di tre anni prima può superare un controllo di sintesi ed essere presentato come attuale. Una foto autentica ripubblicata con una posizione errata ha un problema di provenienza anche se tutti i pixel vengono da una fotocamera. La ricerca inversa, i registri dell’evento e il primo post noto sono ancora utili quando conta la correttezza della didascalia. Un flusso basato sul solo rilevatore lascia scoperta quella verifica.

L’accuratezza dichiarata richiede un denominatore e un tasso di base

Pangram dice di essere partita da 100 foto reali e averne generate 1.200 corrispondenti con 12 generatori. L’annuncio riferisce un’accuratezza aggregata sulle immagini del 99,96% senza spiegare come abbia aggregato i risultati. Per i video ha usato 129 filmati social reali e 1.400 sintetici da 14 generatori. Ha condizionato la generazione al primo fotogramma reale e a una descrizione del movimento originale per ottenere coppie di contenuto simile. Sono i test dichiarati da Pangram per la versione del 4 novembre. Permettono confronti all’interno di quella configurazione. Valutazioni Pangram per immagini e video

Perché abbinare il contenuto? Se tutti i video reali fossero interviste locali e tutti quelli generati paesaggi fantastici, il sistema potrebbe sfruttare l’argomento. Abbinare scena, soggetto o primo fotogramma riduce questa scorciatoia. La distribuzione conta ancora. Una coda di annunci di affitto avrà interni, foto ripubblicate, filigrane e inserzioni vecchie in proporzioni diverse. La soglia di revisione dovrebbe venire da esempi che somigliano alla coda reale.

Pangram dichiara anche un risultato del 98,7% per Flash su DF26. DF26 è un benchmark di ricerca separato incentrato sui video di persone che parlano in camera. I ricercatori descrivono filmati autentici e sintetici e misurano le prestazioni di persone e rilevatori. Distingui il benchmark degli autori dal punteggio di Pangram. Un dato su persone che parlano in camera non misura schermate, visite a immobili o riprese di sorveglianza. Preprint di ricerca DF26 · Risultato di Pangram Flash

Ecco perché anche un buon rilevatore ha bisogno di un secondo passo concordato. Immagina 1.000 file, di cui 10 con modifiche sintetiche rilevanti. Un rilevatore ipotetico ne segnala 9 su 10 e segnala l’1% degli altri 990. Chi revisiona riceve circa 19 avvisi. Circa 10 arrivano da file senza le modifiche in questione. Sono valori d’esempio, distinti dall’accuratezza dichiarata da Pangram. Mostrano perché la quota di problemi reali nella coda cambia il valore di una segnalazione.

Illustrazione originale di Telli.sh. I tassi sono esemplificativi e mostrano perché la coda può avere molti falsi avvisi anche con una bassa percentuale di falsi positivi.

Dai a chi verifica una coda che possa spiegare

Una piattaforma di vendita ha costi di errore diversi da una redazione. Una redazione può sospendere un’immagine contestata e chiedere una copia migliore. Una piattaforma può prendere una decisione che incide sull’account di chi vende. Per valutare il materiale in arrivo, prova separatamente originali verificati, esempi generati intenzionalmente e immagini autentiche ridimensionate, compresse o modificate. Includi i casi più difficili, come scansioni di foto su carta, scatti con poca luce e immagini con elementi sovrapposti.

Registra gli errori come eventi concreti. Conta quante segnalazioni vengono aperte, quante forniscono elementi indipendenti utilizzabili, quanti originali verificati passano a un controllo ulteriore e quanto dura ciascuna revisione. Cerca errori concentrati in una particolare modalità di acquisizione, come la fotografia notturna di una famiglia di telefoni. Un punteggio aggregato può nascondere un flusso efficiente in generale che sbaglia ripetutamente con gli stessi contributori.

Chi subisce una decisione dovrebbe sapere quali prove può fornire. Chi vende può mandare il file originale o mostrare l’oggetto da un’altra angolazione. Chi contribuisce può fornire la cronologia delle pubblicazioni o la licenza. La risposta serve a risolvere un disaccordo concreto sui fatti. Il punteggio può giustificare la ricerca di altre prove. Un provvedimento sull’account dovrebbe seguire le regole e il processo di revisione della piattaforma.

Chiedi se il sistema può identificare il file e il modello che hanno prodotto il risultato. Esportazioni di piattaforme diverse della stessa scena meritano registrazioni distinte, come gli esiti ottenuti in momenti diversi. Un aggiornamento del rilevatore può cambiare il comportamento dei casi al limite. Conserva l’originale e la traccia della revisione per il tempo previsto per rispondere a una contestazione, poi rimuovi ciò che le regole non richiedono più.

Prepara un piccolo test prima di automatizzare la ricezione

1. Scegli una decisione circoscritta. Definisci un’azione, per esempio quali segnalazioni pubbliche richiedono una seconda fonte. Tienila distinta dall’eventuale decisione di pubblicare, rimuovere o sanzionare.
2. Raccogli esempi noti. Parti da pochi originali tuoi o autorizzati. Aggiungi una copia ricodificata equivalente e, dove opportuno, una variante sintetica o modificata nota. Includi le dimensioni al caricamento e l’evento o soggetto dichiarato.
3. Verifica la modalità d’accesso al servizio. Pangram offre caricamento web, estensione Chrome e API. Usa la via approvata per quei file. Controlla termini di conservazione e accesso prima di inviare materiale privato o sensibile.
4. Rivedi aree e riferimenti temporali. Dai a chi verifica la versione di origine e gli elementi necessari per corroborare la segnalazione. Chiedi a una seconda persona di esaminare una parte contestata quando le conseguenze lo giustificano.
5. Misura la decisione scelta. Confronta con il processo attuale tempi di revisione, approfondimenti utili e segnalazioni inoltrate erroneamente. Automatizza quando sai spiegare che cosa cambia con un avviso.

Se un file include una Content Credential, controlla che cosa attesta il registro firmato. C2PA definisce un formato per dichiarazioni verificabili sui media e sulla cronologia delle modifiche. Le dichiarazioni hanno un emittente e un ambito. Un registro verificato offre un elemento concreto da controllare. L’assenza della credenziale può dipendere dal modo in cui il file è stato acquisito o condiviso. Considera separatamente credenziale, racconto della fonte e risultato del rilevatore. Specifiche C2PA

Conta il momento in cui chiedi un approfondimento. In redazione può voler dire aspettare una seconda fonte. Su una piattaforma può voler dire chiedere una foto nuova con l’oggetto in vista. In entrambi i casi, indica la prova mancante e come ottenerla. Un risultato che dice dove guardare vale di più quando il passo seguente è definito prima che la coda si riempia.

La segnalazione migliore finisce con una domanda migliore

Una segnalazione utile offre un passo concreto. Può spingere chi cura una notizia a chiedere il fotogramma originale al nono secondo o chi verifica un annuncio a confrontare il ritaglio del negozio con un’altra foto di chi l’ha caricato. Il verdetto resta legato alle prove pertinenti per ciò che l’immagine afferma. Se la mappa migliora le domande, il suo contributo è visibile anche quando l’avviso iniziale era sbagliato.

Fonti

• Annuncio di Pangram Image 1.0 e Image Flash 1.0, 4 novembre 2026
• Preprint di ricerca e benchmark DF26
• Domande frequenti Pangram sulla riservatezza
• Specifiche tecniche C2PA
• Foto di contesto di Austin di Jno.skinner, CC BY-SA 4.0

---

Per conservare in un archivio consultabile le discussioni e le decisioni sulle fonti alla base del tuo lavoro, crea un account Telli.sh.