Wenn ein KI-Video täuschend echt wirkt, reicht die Frage „echt oder künstlich?“ oft nicht mehr aus. Interessant wird dann auch, aus welchem System es stammen könnte. Der Forschungsansatz SAGA untersucht genau diese zweite Frage – allerdings unter klar begrenzten Testbedingungen.
Das Wichtigste in 30 Sekunden
- SAGA ordnet generative Videos in einem definierten Forschungsbenchmark auf mehreren Ebenen ein: von „echt oder synthetisch?“ bis hin zum konkreten Generator.
- Die stärksten Werte stammen aus klar abgegrenzten Datensätzen und Aufgaben, nicht aus einer Prüfung beliebiger Netzfunde.
- Wasserzeichen, Herkunftsmetadaten und inhaltsbasierte Analyse verfolgen unterschiedliche Ansätze; SAGA ist kein Herkunftsnachweis im rechtlichen Sinn.
- Für Europa bleibt das Thema relevant, weil der AI Act Transparenz rund um synthetische Inhalte behandelt – ohne SAGA vorzuschreiben oder anzuerkennen.
Aus einer aktuellen Erklärung wird eine ältere Forschungsfrage sichtbar
Die University of California, Riverside stellte SAGA am 24. Juli 2026 als Werkzeug zur Quellenattribution generativer Videos vor. Neu ist damit vor allem der öffentliche Erkläranlass. Das zugrunde liegende Paper erschien bereits am 16. November 2025 als arXiv-Preprint, wurde am 2. April 2026 überarbeitet und liegt als CVPR-2026-Fassung vor.
Das ist mehr als eine formale Chronologie. Wer die Veröffentlichung als frisch erfundene Technologie liest, erwartet schnell ein fertiges Produkt. SAGA ist dagegen ein Forschungsframework. Es prüft, ob sich Videos innerhalb klar definierter Klassen nicht nur als künstlich erkennen, sondern auch genauer einordnen lassen.
Die weiterführende Frage lautet: Deepfake-Erkennung trennt meist zwischen echten und synthetischen Bildern oder Clips. In der Praxis kann aber zusätzlich interessieren, ob ein Clip eher aus einem Text-zu-Video- oder Bild-zu-Video-System stammt, welcher technische Unterbau denkbar ist oder welcher Generator im Testbestand dazu passt.
Fünf Fragen, fünf unterschiedliche Aussagegrenzen
| Frage | Im SAGA-Benchmark geprüft | Daraus nicht ableitbar |
|---|---|---|
| Ist das Video authentisch? | Binäre Einordnung in der definierten Aufgabe | Ein allgemeiner Nachweis für jeden Online-Clip |
| Welche Generationsart liegt vor? | Zuordnung zwischen Real, Text-zu-Video und Bild-zu-Video in den Testklassen | Eine sichere Einordnung unbekannter neuer Systeme |
| Welcher technische Unterbau passt? | Vergleich ausgewählter Stable-Diffusion-Backbone-Versionen | Ein vollständiger Blick in ein beliebiges kommerzielles Modell |
| Welches Entwicklungsteam? | Zuordnung in einem klar abgegrenzten Team-Split | Die Identität einer Person, die ein Video erstellt oder geteilt hat |
| Welcher Generator? | Klassenentscheidung unter bekannten Generatoren | Ein gerichtsfester Herkunftsbeweis oder eine offene Websuche |
Diese Trennung ist der Kern von SAGA. Das System soll nicht einfach einen Namen über jedes verdächtige Video schreiben. Es bearbeitet gestufte Klassifikationsaufgaben. GEN-L umfasst Realvideos und 19 Generatoren, also 20 Klassen. Für einzelne Aufgaben bilden die Autoren noch engere Splits; Einträge mit kritischen Metadaten wie „Mixed“ oder „Unknown“ werden dort ausgeschlossen.
Wie SAGA räumliche Details und zeitliche Abläufe zusammenführt
Technisch kombiniert SAGA einen eingefrorenen SigLIP-Visionsencoder mit einem Video-Transformer. Vereinfacht gesagt: Der Encoder betrachtet einzelne Frames, der Transformer setzt sie zeitlich zueinander in Beziehung. Hinzu kommen Hard Negatives – Beispiele, die sich ähneln und das System zu präziseren Unterscheidungen zwingen sollen.
Im beschriebenen Setup extrahieren die Forschenden acht Frames pro Sekunde und verarbeiten Fenster aus jeweils acht Frames. Das erklärt, warum die Methode mehr betrachtet als ein einzelnes Standbild. Es erklärt aber nicht, wie sie mit jedem Clipformat, jeder Plattformbearbeitung oder künftigen Modellgeneration umgehen würde.
Die Autoren zeigen außerdem sogenannte Temporal Attention Signatures, kurz T-Sigs. Sie machen sichtbar, auf welche zeitlichen Muster das Modell im Mittel achtet. Diese Darstellungen sind keine eingebetteten Wasserzeichen und auch keine unveränderlichen Fingerabdrücke. Sie helfen bei der Interpretation eines trainierten Modells.
Was die Tests mit 19 Generatoren tatsächlich zeigen
Für die umfangreicheren Experimente nutzt SAGA den DeMamba- beziehungsweise GenVideo-Bestand mit 19 KI-Videogeneratoren und rund einer Million Realvideos. Zusätzlich kommt der Datensatz DVF mit acht Generatoren zum Einsatz, dort allerdings für eine Cross-Dataset-Prüfung der binären Authentizitätsklassifikation.
Eine zentrale Zahl lautet 98,20 Prozent Gesamtgenauigkeit. Sie gehört zur TASK-L-Konfiguration: Das zweistufig trainierte Verfahren arbeitet dort mit 0,5 Prozent quellengelabelten Daten. Im I2V-Teilwert stehen in derselben Konstellation 91,12 Prozent für das zweistufige Verfahren 66,20 Prozent für einen einstufigen Ansatz mit ebenfalls 0,5 Prozent Daten gegenüber.
Die Ergebnisse sind im Rahmen dieser Aufgabe stark. Ihre Reichweite ist allerdings enger, als eine Kurzmeldung nahelegt. Der DVF-Wert von 95,39 Prozent gehört zur BIN-L-Aufgabe. Er sagt etwas über die Trennung von authentisch und synthetisch in diesem Cross-Dataset-Test aus, nicht über die korrekte Benennung eines konkreten Generators, Entwicklungsteams oder einer Modellversion.
Auch Mittelwerte können Unterschiede verdecken. Im Supplement liegt die OpenAI-Gruppe in einer aufgeführten TEAM-L-Konfiguration bei 66,67 Prozent, während der TEAM-L-Mittelwert 97,77 Prozent erreicht. Deshalb lohnt sich der Blick nicht nur auf die höchste Zahl, sondern auch auf Klassenbildung und einzelne Gruppen.
Warum Wasserzeichen, Metadaten und Inhaltsanalyse getrennt bleiben müssen
Die Debatte über KI-Videos vermischt oft drei verschiedene Dinge. Wasserzeichen werden in Inhalte oder Signale eingebettet. Provenienzmetadaten dokumentieren Herkunfts- und Verarbeitungsschritte. Inhaltsbasierte Verfahren wie SAGA analysieren dagegen Muster im Material selbst. Der NIST-Bericht zu synthetischen Inhalten behandelt diese Ansätze ausdrücklich getrennt.
Diese Unterscheidung verhindert falsche Erwartungen. Ein inhaltsbasiertes Klassifikationsmodell ersetzt keine vorhandene Herkunftskette. Umgekehrt lässt sich aus einer Visualisierung gelernter Aufmerksamkeit kein Wasserzeichen machen. NIST weist zudem darauf hin, dass manche Kennzeichnungsverfahren bei Kompression, Cropping, Filtering oder Skalierung an Robustheit verlieren können. Das ist ein allgemeiner Kontext, keine Bewertung von SAGA.
Auch DeMamba enthält Tests mit degradierter Videoerkennung, etwa bei niedriger Auflösung, Kompressionsartefakten oder Gaussian Blur. Diese Ergebnisse gehören zum Datensatzkontext. Sie belegen nicht, dass SAGA konkrete Generatoren nach denselben Eingriffen zuverlässig zuordnen kann.
Was die europäische Transparenzdebatte damit zu tun hat
Die Europäische Kommission ordnet Transparenzpflichten aus Artikel 50 des AI Act ab dem 2. August 2026 ein. Dabei geht es um Markierung, Erkennbarkeit und Kennzeichnung von KI-generierten oder manipulierten Inhalten. Der zugehörige Kodex soll bei der Demonstration von Compliance helfen, bleibt aber ein freiwilliges Instrument.
SAGA wird auf dieser Seite nicht erwähnt. Aus der europäischen Regelung folgt daher weder eine Pflicht zur Quellenattribution noch eine Anerkennung dieses Forschungsansatzes. Der Zusammenhang liegt an anderer Stelle: Je mehr synthetische Medien in Kommunikation und Plattformen auftauchen, desto relevanter wird die technische Frage, welche Hinweise verlässlich sind und welche Grenze ein Verfahren hat.
TechZeitGeist-Fazit: Ein präziser Forschungsschritt, kein Herkunftsurteil
SAGA verschiebt die Forschung von der bloßen Erkennung künstlicher Videos hin zu einer feineren Frage nach möglichen Quellen. Im klar umrissenen Benchmark zeigen die Ergebnisse, dass diese Aufgabe messbar ist. Gerade die offenen Punkte gehören aber zur ehrlichen Einordnung: Die Studie liefert keinen Nachweis für beliebige Netzfunde, für manipulationsfeste Zuordnung oder für eine rechtliche Beweisführung.
Für Redaktionen, Plattformen und Behörden ist das trotzdem ein nützlicher Befund. Statt eine einzelne Technik zur Universallösung zu erklären, braucht es ein Zusammenspiel aus Kennzeichnung, nachvollziehbaren Herkunftsinformationen und sorgfältig geprüfter Inhaltsanalyse. SAGA zeigt, was ein Teil dieses Werkzeugkastens leisten kann – und wo die Forschung noch nicht angekommen ist.
Quellen und weiterführende Informationen
- University of California, Riverside: New tool identifies the sources of fake videos
- Kundu et al.: SAGA: Source Attribution of Generative AI Videos, CVPR 2026
- Kundu et al.: SAGA Supplementary Material, CVPR 2026
- Chen et al.: DeMamba: AI-Generated Video Detection on Million-Scale GenVideo Benchmark
- Europäische Kommission: Code of Practice on Transparency of AI-Generated Content
- NIST: Reducing Risks Posed by Synthetic Content
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-07-25
