AI 大模型發展到現在，的確能替代很多職能 比如傳統世界裡的公正、仲裁、審計等大量職能都可以由AI 來完成 前段時間圍繞幣安不能衝提幣 凍結賬戶等的 FUD 行為的這個事 BIRDEYE 用 AI 大模型來系統的分析與拆解 看看到底什麼情況 BIRDEYE 這套 MAS 框架核心思路 不先假設誰壞誰好 先把賬號拆成五個維度打分，再疊加風險信號做解釋 五維分別是 賬號身份真實性 行為密度與協同 內容原創與指紋 社交關係深度 動機與興趣偏移 每維 0 到 2 分，總分 0 到 10 分 最後按分段切風險層級 然後關鍵來了 樣本 92 個賬號裡 0 個落在可信區間 整體均分 4.54，中位數 5.09，最高 8.07 也就是說連最像人的那批也沒摸到 9 分門檻 如果只看到分數，還只是可疑 真正有殺傷力的是證據鏈閉環 1/ 圖片指紋 pHash 直接撞車 15 個賬號發的所謂不同地區不同設備的截圖，pHash 海明距離等於 0 同一份上游素材在多賬號分發 2/ 偽造痕跡從 UI 字符裡露餡 把拉丁字母 o 偷換成希臘字母 ο 這種同形字符，肉眼幾乎看不出 但做碼點提取就原形畢露，這類手法更接近釣魚和冒充流程 3/ 影像素材疑似 AI 合成 多模型 anti AI 檢測給到 0.82 到 0.94 的區間，超過 0.80 閾值就被標記 配合光照矛盾和人臉關鍵點異常的描述，至少說明素材可信度不夠硬 4/ 行為層面出現時間同步和腳本化共振 同一時間窗內高密度相似內容發佈，甚至用到 Poisson 擬合 p 小於 1e-6 這種統計判別 外加措辭錯別字 話術結構高度同構，敘事像批量生成而不是人隨手發 5/ 身份層面出現集中改名和資產複用 報告裡提到 2026 年 1 月窗口約 42% 賬號改名或改簡介，改名結構還扎堆 這種同步性在自然用戶裡基本很難出現 一套投放系統在跑流程 素材統一 分發統一 節奏統一 話術統一 太明顯，活幹的也不高級 openai.study/html/report_en.ht...… openai.study/html/BIRDEYE_repo...…

BNB 也跌了