RA-Bench

自动研究时间：2026-08-18 09:02（Asia/Shanghai）
来源日期：Hugging Face Daily Papers 页面实际显示 Aug 17，列表最顶部为 Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination。
研究路径：Daily Papers 列表 -> Hugging Face 详情页 -> arXiv 摘要页 -> arXiv v1 HTML 全文与 63 页 PDF -> 官方项目、代码及数据集页面。

执行摘要

当生成视频描绘战争、灾害、公共卫生事件或基础设施事故时，检测错误不只是普通分类误差。一个漏检样本可能被当作现场证据扩散，一个误报样本也可能让真实影像失去公信力。现有 AI 生成视频基准多从通用网络视频出发，往往没有同时回答三个部署问题：检测器换到新生成器还能否工作，最能欺骗人类的视频是否也能骗过机器，以及转码、降采样、降帧率和新闻样式包装之后，检测结果是否仍然可靠。

RA-Bench 的关键设计是以 Real videos as Anchors。作者从 675 个公开来源视频中构造 1,830 个真实危机场景片段，再将每个真实片段的首帧和统一文本提示交给 4 个开源、5 个闭源 I2V 生成器，得到 16,056 个语义配对的生成片段。真实与生成样本共享事件主题、画面起点和大部分场景线索，检测器不能只靠“内容是否像危机现场”判断，而必须寻找生成过程留下的证据。

论文最重要的结论不是某个模型分数最高，而是三类方法都缺乏稳定的跨源可靠性。七个传统检测器在公开参考基准上的 AUC 为 67.6%–98.6%，到了 RA-Bench，各生成源上的七模型平均 AUC 仅 43.9%–57.3%；十个零样本多模态模型受生成源与提示格式影响明显；专门微调的 Skyra 会利用时间戳格式形成协议捷径，去掉时间戳后平均 BAcc 降至 54.4%–54.9%，BusterX++ 则几乎总判为真实，FakeR 只有 4.1%–9.1%。

更接近真实风险的两组实验让问题进一步暴露。633 个被五位评审一致判为真实的生成视频构成 RA-Bench-HumanProof，七个传统检测器在此仅有 47.5% 平均 AUC；在模拟社交传播的 RA-Bench-LastMile 中，完整处理链把五种微调 MLLM 配置的平均 FakeR 从 46.0% 压到 1.4%，模型不是保持了约 50% 的均衡能力，而是系统性转向“真实”类别。

这项工作的价值在于把检测评测从干净数据集推进到“生成源变化—人类受骗—平台处理”整条链路，也揭示了只看单一 benchmark、平均 BAcc 或模型解释文本的危险。它没有证明危机视频已经无法验证，更没有穷尽来源认证、水印、上下文核验和人工取证等防线；它证明的是：当前被动内容检测器不能被当成跨生成器、跨协议、跨传播阶段的独立事实裁判。

1. 论文基本信息

核心链接：

• Hugging Face 详情页：https://huggingface.co/papers/2608.14391
• arXiv 摘要页：https://arxiv.org/abs/2608.14391
• arXiv HTML 全文：https://arxiv.org/html/2608.14391v1
• arXiv PDF：https://arxiv.org/pdf/2608.14391
• 官方项目页：https://ra-bench-crisis-video.yxgma811120.chatgpt.site/
• 官方代码仓库：https://github.com/24029100313/RA-Bench
• Hugging Face 数据集：https://huggingface.co/datasets/liangshuo0111/RA-Bench

2. 背景与动机：为什么现有检测分数不等于现实防御力

2.1 通用视频基准没有复现危机误导的条件

GVF、GenVideo、GenVidBench、GenBuster-Bench、GenWorld、AIGVDBench 和 Chameleon 已覆盖跨生成器检测、世界模拟、解释或来源追踪等不同侧面。但大多数数据来自通用网络视频，缺少可追溯的真实危机事件、分层社会风险分类、以同一事件画面为条件的 I2V 配对、人类受骗挑战集和完整传播模拟。

如果真实样本是普通拍摄，生成样本却集中在特定题材、分辨率或编码上，模型可能学到数据来源差异，而不是生成痕迹。RA-Bench 用真实事件片段作锚点，并让真实与生成片段共享首帧和语义条件，试图减少内容主题这一捷径。

2.2 生成器变化会破坏封闭世界假设

传统判别器通常在有限生成器上训练，部署时却面对不断更新的模型、不同推理配置和闭源 API。即使一个检测器在某个公开基准上达到 90% AUC，也不能推出它在新生成源上维持排序能力。论文因此不只报告总体平均，而是按生成源分别配对计算指标，再观察检测器排名是否转移。

2.3 平台传播会改变机器证据，却不改变事件叙事

用户看到的视频经常经历下载、转码、缩放、降帧率、叠加媒体元素和再次上传。人仍能理解画面中的战争、火灾或发布会，但依赖高频纹理、编码残差或时间采样的检测器可能失去证据。若基准只评估生成器的原始输出，得到的是实验室入口性能，而不是内容到达审核系统时的性能。

2.4 人类难例与模型难例不必相同

人可能根据常识、视觉连贯性和叙事可信度判断，检测器可能依赖像素统计、时序伪影或提示诱导。把“人类被骗”直接等同于“机器必然失败”并不严谨。RA-Bench 先以盲评筛选反复欺骗人的片段，再使用匹配真实锚点单独评估检测器，使两种失败是否重叠成为可测问题。

3. 核心贡献

3.1 真实事件锚定的成对基准

RA-Bench 将 1,830 个真实片段与其 I2V 生成版本配对。相同的首帧、文本提示和事件语义让比较更接近以下攻击：攻击者拿到一张真实现场图，再生成“几秒后发生了什么”的虚假视频。基准覆盖 10 个一级社会风险类别和 44 个二级类别，包括自然灾害、战争与冲突、政治治理、公共安全、事故与基础设施故障、经济与社会恐慌、公共卫生、技术、太空探索及大型公共活动。

3.2 同时比较三类检测范式

作者没有把“检测器”限定为传统二分类网络，而是纳入：

1. 图像或帧级检测器与视频时序检测器；
2. 以 Binary、Diagnostic、Rating 三种提示零样本审查视频的多模态模型；
3. 专门针对 AI 生成视频检测微调的 Skyra-SFT、Skyra-RL 与 BusterX++ 配置。

这种横向设计能区分三类失败：分数不能跨生成源转移、语言模型的回答受提示格式影响，以及微调系统学到协议先验或类别偏置。

3.3 用生成属性做受控诊断

论文不仅问“能否检测”，还分析生成质量、真实图像条件量和随机种子如何改变可检测性。作者用 VBench++ I2V 的质量维度评估全部 16,056 个生成片段，并在 Wan2.2 上比较纯 T2V、首帧 I2V、首尾帧 I2V；对四个开源生成源使用 seed 0、42、123 复现实验，从而避免把一次采样偶然性误判为生成源规律。

3.4 构造 HumanProof 与 LastMile 两个压力测试

RA-Bench-HumanProof 保留被五位评审一致判为真实的 633 个生成片段，专门研究社会意义最大的假阴性。RA-Bench-LastMile 则对 150 个真实事件锚点及九个生成源的配对视频施加相同传播操作，区分转码、空间降采样、降至 8 fps、新闻样式徽标及完整组合的影响。

3.5 提供可审计的公开资产与权利元数据

代码仓库提供三条 track 的 manifest 和统一评测脚本。公开数据页包含 25,575 个媒体文件，约 93.8 GB；这比主基准 17,886 个视频更多，因为还包含辅助控制和 LastMile 处理版本。1,830 个真实锚点中，1,319 个可重新分发，511 个只保留源 URL；每条记录附带来源、授权依据和发布模式。这个设计比笼统声称“公开数据”更审慎，但 URL-only 样本也会影响完整复现，后文会回到这一点。

4. 方法：RA-Bench 如何被构造和评测

4.1 从 675 个来源视频到 1,830 个真实锚点

数据构建分五步：

1. 收集与分类：从政府及公共机构、开放许可仓库、公开视频平台和新闻来源收集 675 个视频，按 10 个 L1、44 个 L2 社会风险类别组织；
2. 自动切分：使用 PySceneDetect 与 FFmpeg 切成 5,774 个场景级片段，并用 ImageNet 预训练 ResNet-18 对相邻片段做近重复预筛；
3. 人工复核：七位志愿者在第一轮检查质量、类别语义、时长、重复和来源风险，每个片段由两人独立判断；分歧和不确定项交给另外四位裁决者；
4. 发布后处理：将 2,426 个保留候选限制到 3–15 秒，统一用 H.264 编码，删除同源冗余，并逐源复核授权；
5. 形成锚点：最终得到来自 338 个唯一源视频的 1,830 个片段，总时长约 5.1 小时，平均 10.08 秒。

不强制各类别等量有利于保留真实来源分布，但也意味着总体指标可能被高频类别主导。论文在生成源维度使用等权平均，并没有在社会风险类别维度提供同等强的平衡保证。

4.2 统一提示和首帧条件生成配对视频

作者先用 Gemini-3.1-Pro-Preview 为每个真实片段生成结构化描述，再转成所有生成器共享的提示。各 I2V 模型接收相同提示和真实片段首帧，目标时长按真实片段映射到 2–8 秒。所有生成视频最终重新编码为与真实样本相同的 H.264，并移除音频，降低编码器配置和声轨成为标签捷径的风险。

四个开源生成器覆盖全部 1,830 个锚点；五个闭源服务会因各自安全过滤拒绝部分请求，所以返回的配对子集较小。实验始终让某个生成源与它实际使用过的真实锚点配对，不拿缺失样本硬补齐。

4.3 三类指标不能混为一谈

连续输出检测器使用：

• AUC：生成样本的 fake score 是否高于匹配真实样本；50% 接近随机排序；
• TPR@5%FPR / T@5%：把真实视频误报率限制到 5% 时，能召回多少生成视频。

离散判定模型使用：

• BAcc：真实召回率与生成召回率的平均，避免类别数量不平衡；
• macro-F1：对两类分别计算后平均；
• FakeR：生成视频被正确判成生成的比例。

只看 BAcc 容易隐藏类别坍缩。例如系统若几乎总说“真实”，RealR 很高，BAcc 可能仍在 50% 附近，但 FakeR 已接近零。论文反复并列报告 FakeR，正是为了暴露这一问题。

4.4 LastMile 不是随意加噪声

传播模拟包含：T1 为 VP9 到 H.264 转码，T2 为 0.5 倍空间降采样，T3 为转成 8 fps，T4 为叠加合成新闻徽标；完整条件组合 T1–T4。每种变换同时施加给真实片段和对应生成片段，因此分数变化不能简单归因于只有某一类被处理。

5. 核心实验结果

5.1 传统检测器：公开高分无法稳定迁移

检测器排名同样不稳定。六个共享 AIGVDBench 参考的检测器，其公开排名与九个 RA-Bench 生成源平均排名的 Spearman 相关只有 0.26。UnivFD 从参考第二降到第六，NPR 从第六升到第三；DeCoF 和 ForgeLens 分别在不同源上领先，Kling 上则是 ReStraV 领先。因此不能把一个基准的冠军直接部署为通用检测器。

作者还在同样八帧预算下，用局部高变化片段替换部分均匀采样帧。五个检测器平均 AUC 只增加 0.99 点，说明“没采到瞬时伪影”只能解释小部分缺口。

5.2 零样本多模态模型：更大、更会解释，不等于更可靠

Gemini-3.1-Pro-Preview 是所测零样本模型中最强者，Binary、Diagnostic 的总体 BAcc 约 63%，Rating AUC 约 63.6%。但其 Binary BAcc 在不同生成源上从 Seedance2.0 的 54.3% 到 LTX 的 74.5%，源变化仍然明显。

Qwen3.5 从 0.8B 扩展到 122B-A10B 时，某些“生成源 × 提示”组合改善，另一些几乎不变。最大版本在 LTX 的 Diagnostic BAcc 和 Rating AUC 都约 65.6%–65.8%，在 Hailuo 与 Kling 上却仍距 50% 不超过 4.2 点。模型规模没有消除域依赖。

结构化解释也未形成可靠证据。部分 Qwen 模型在 Diagnostic 的五个维度上几乎总输出同一个分数；GPT-5.5 的 Rating 连续分数 AUC 为 62.1%，但显式 verdict 的 macro-F1 只有 36.9%，表现为排序分数与最终判断不一致。一个语言流畅的诊断报告不能自动视作忠实的取证链。

5.3 微调 MLLM：时间戳捷径和真实类别偏置

Skyra 的官方提示会给 16 帧标注绝对时间戳。官方协议下 Skyra-SFT 和 Skyra-RL 的跨源平均 BAcc 分别为 68.5% 和 69.5%，表面上明显强于零样本方法。但固定为约 5 秒的视频让 FakeR 相对动态时长版本突然增加 62.6 与 59.5 个百分点，暴露出时长格式相关的异常。

作者保持 16 帧画面及顺序不变，只把绝对时间戳替换成帧序号。两个模型的平均 BAcc 随即降至 54.4% 和 54.9%，精确 5 秒样本的 FakeR 差距也从 48.6 / 43.4 点缩到 1.5 / 1.4 点。视觉输入没变，因此结果强烈指向时间标签协议先验；对原训练数据元数据的审计也发现“末帧恰为 5 秒”与类别相关。

BusterX++ 展现另一种失败：RealR 约 93%，FakeR 却始终只有 4.1%–9.1%，macro-F1 为 36.1%–40.8%。它的约 50% BAcc 不是平衡识别，而是几乎总判为真实。专门微调可以把数据协议或类别先验学得更牢，不必然学到可迁移的生成证据。

5.4 生成质量不是一条统一的“越真越难”轴

在生成源内部，VBench-I2V Quality、Condition Fidelity 和 Combined Quality 越高，Gemini 与传统检测器总体上给出的生成证据越弱。以 Gemini Diagnostic 为例，三个分数各增加一个四分位距，对应 FakeR 分别下降 9.6、14.4 和 12.4 个百分点。

但细分维度后，模型反应不同：Gemini 更受主体/背景条件一致性和时序一致性影响，动态内容反而让其生成证据增加 5.5–8.4 点；传统检测器平均更受主体一致性和成像质量影响，对动态程度的变化约为 0.1 点且置信区间跨零。所谓“质量”是多个方向相反的属性集合，不能用一个总分解释所有检测器。

真实图像条件量也没有统一难度排序：

增加真实帧条件让微调 MLLM 更难报出生成，但传统检测器先升后降，单模型方向也不一致。三个随机种子上的源级平均 AUC 最大范围只有 1.05 点，28 个 detector-source 单元的秩相关为 0.978–0.989，说明这些源差异并非 seed 0 的偶然样本。

5.5 人类判断：闭源生成器更容易被当成真实

20 位评审在不知道生成源的条件下混合查看真实与生成视频，每个主分析样本获得三次独立判断。生成视频的所有判断中，60.3% 被识别为生成；真实视频有 71.9% 被认作真实，但仍有 22.8% 被误判为生成。这提醒我们，强硬的自动拦截策略不仅会漏掉伪造，也会伤害真实危机影像。

按生成源等权计算，人类对四个开源源的 FakeR 为 68.6%，对五个闭源源只有 52.9%；Seedance2.0 与 Kling 分别只有 40.7% 和 45.1%。而且所有 20 位评审都呈现“开源更容易识别、闭源更难”的总体关系，留一评审分析也不改变九个源的完整排名。

5.6 HumanProof：骗过五个人的样本也让机器接近随机

第一阶段从 16,038 个标准评审流中的生成视频选出被三位评审一致判为真实的 1,080 个，再交给两位新评审；最终 633 个被五人一致判为真实。其中 514 个来自闭源生成器，Kling 与 Seedance2.0 各约 160 个。

人类与机器难例确实重叠，但不是同一个函数：传统检测器在完整基准上已经很弱，所以 HumanProof 只带来小幅下降；Gemini 的生成侧证据下降更明显；Skyra 官方成绩仍混入时间戳先验。HumanProof 的意义不是宣称“人类判断定义了绝对真实感”，而是隔离最可能在现实中被接受为证据的漏检风险。

5.7 LastMile：传播处理把模型推向“真实”

在 150 个锚点、覆盖 41 / 44 个二级类别的传播模拟中，传统检测器平均 AUC 从原始视频的 51.4% 降到转码后的 48.5%，完整链路为 47.3%；T@5% 从 5.7% 降到 2.8%。不同模型方向并不一致：ForgeLens 从 61.6% 降至 35.6%，DeCoF 却从 59.9% 升到 62.3%，原始与完整条件下的排名相关只有 0.07。

微调 MLLM 的失败更一致。五种配置平均 BAcc 从 59.5% 降到 47.1%，FakeR 从 46.0% 降到 1.4%。完整链路下，四个 Skyra 配置的 FakeR 只有 1.2%–2.4%，BusterX++ 为 0.2%，但 RealR 达到 84.0%–100%。约 50% 的 BAcc 因而是“所有内容都更像真实”的类别坍缩。

单项分析显示，转码后的空间降采样把平均 FakeR 从 29.9% 降到 7.9%，新闻徽标单独把它降到 14.0% 并提高 RealR。画面事件没有改变，仅仅加上类似可信媒体的呈现线索，就足以让模型更倾向真实类别。这既是像素鲁棒性问题，也是语义和界面先验问题。

6. 证据边界：这篇论文证明了什么，又没有证明什么

6.1 它证明的是条件可靠性，不是所有检测器都永远无效

论文覆盖九个 I2V 生成源、特定版本的 19 组检测模型或系列，以及一套危机事件分布。结果足以否定“公开基准高分可以直接外推”的强假设，却不能证明未来检测器、来源水印或其他生成范式都失败。更准确的结论是：检测能力必须绑定生成源、提示协议、决策阈值和传播阶段报告。

6.2 AUC、BAcc 与审核价值必须结合工作点

一个 AUC 略高于 50% 的模型，在 5% 假阳性约束下可能只召回 3%–7% 的生成视频。对公共事件审核而言，误报真实视频会造成严重代价，因此 T@5% 往往比无阈值 AUC 更接近部署问题。论文同时报告两者，是其强项；文章读者也不应把 60% AUC 写成“能检测六成视频”。

6.3 LastMile 是受控模拟，不等于真实平台全链路

转码、缩放、降帧和徽标是合理操作，但真实传播还包含裁剪、字幕、滤镜、截图录屏、音频替换、多次平台压缩和上下文文案。LastMile 提供可归因的压力测试，而不是对每个平台的生态复刻。它展示了失败方向，不给出现实世界漏检率的无偏估计。

6.4 “五人一致受骗”仍受实验界面限制

评审在受控界面中只看视频，没有账号信誉、转发文字、发布时间、地理信息和其他现场证据。线上用户可能被上下文进一步误导，也可能借助上下文发现异常。因此 633 个 HumanProof 样本是视觉真实性挑战集，不是完整的社会可信度测量。

7. 局限与可复现性风险

论文明确承认并可进一步归纳出以下边界：

1. 时间快照效应：九个生成源与现有检测器很快会过时；基准需要版本化加入新生成器、新检测器和新传播条件。
2. 只覆盖 I2V 与视觉检测：没有系统评估 T2V、视频编辑、多阶段合成、原生音视频生成及音画联合取证。
3. 攻击链被拆开评估：生成与传播是两个受控阶段，现实攻击可能叠加选择性编辑、音频合成、误导字幕和多轮平台处理。
4. 闭源生成覆盖不完整：供应商安全过滤拒绝了一部分危机场景，返回子集可能不是随机缺失，也可能低估最敏感类别的风险。
5. 类别分布不平衡：作者不对 10 个风险类别设置相同配额，这有现实依据，但总体结果可能不能代表低频高风险类别。
6. 数据权利影响完全复现：511 个真实锚点仅提供源 URL；内容下架、地区限制或许可变化会让 full coverage 难以长期复现，公开媒体模式与论文完整 manifest 不是完全同一覆盖。
7. 人类样本与人口代表性有限：20 位评审的文化背景、专业经验和设备条件未能代表全球受众，也没有模拟信息流中的社会线索。
8. 提示式检测可能受模型版本漂移：闭源 MLLM/API 的更新会改变提示敏感性，论文结果需要固定版本和定期复测。
9. 没有形成端到端防御系统：基准评估的是检测组件，没有结合 C2PA/来源凭证、水印验证、反向搜索、地理定位、新闻事实核查和人工升级策略。
10. 检测结果可能反向优化生成器：作者提出将检测器作为生成模型 post-training 的奖励信号；这有助于研究真实性，也会加速对当前检测证据的适应，形成持续军备竞赛。

8. 应用影响与工程启示

8.1 对社交平台和内容审核

平台不应以单个检测器输出直接删除危机视频。更稳健的策略是把它作为风险信号：在低置信或高影响事件中保留原始媒体、提取来源凭证、检查上传链、比较多个检测器，并把不一致样本送入人工核验。阈值必须按真实视频误报成本校准，且应单独报告不同生成源和传播阶段的 FakeR、RealR 与覆盖率。

LastMile 结果意味着评测数据要包含平台实际接收的版本，而不仅是生成 API 原文件。每次转码服务、媒体管线或 UI 模板变更，都可能改变检测器分布；内容安全团队应把这些变换纳入回归测试。

8.2 对新闻机构和事实核查组织

危机视频核验应优先建立证据链，而不是先问“AI 检测器说什么”。可组合的信号包括发布者历史、最早上传时间、原始文件和 EXIF、地标与天气一致性、阴影和物理运动、其他角度影像、官方通报、C2PA 签名及生成器水印。检测器适合排序调查优先级，不适合取代来源核验。

新闻徽标让模型更倾向“真实”尤其值得警惕：界面上的权威样式可能同时欺骗人和机器。审核模型的提示和训练集需要显式打破“媒体包装等于真实”的关联。

8.3 对检测器研发

下一代系统至少需要四类改进：

• 跨生成器与按时间外推的训练/测试切分，而不是随机混合；
• 对转码、缩放、降帧、叠字和多次处理的系统鲁棒性；
• 对类别偏置、元数据捷径和提示格式的反事实测试；
• 将像素、时序、音频、主动水印、来源凭证和上下文核验组合成模块化证据系统。

论文建议评估 MLLM 解释的正确性与忠实性。工程上可进一步要求：解释中引用的帧和时段必须可复核，改变无关提示格式不应反转结论，删去声称使用的证据应显著改变输出。否则“有解释”只是更长的分类标签。

8.4 对生成模型治理

RA-Bench 可用于测试主动水印在传播处理后的存活率，也可衡量模型安全过滤是否覆盖高风险事件。闭源服务的拒绝导致基准缺失本身就是治理信号，但不能仅以拒绝率衡量安全：攻击者可能改写提示、使用开源模型或先生成中性片段再编辑。

一个现实的防御架构应把主动与被动措施结合：生成端提供水印和可验证凭证，平台保存并展示来源链，检测器处理无凭证或凭证损坏的内容，高风险事件由人工取证兜底。RA-Bench 主要测量最后一层，它揭示的是单靠这一层有多脆弱。

9. 相关工作与论文位置

RA-Bench 的新意主要不在发明一个更强检测器，而在改变评测问题：从“给定静态数据集，谁的平均分高”转成“真实事件锚定下，换生成器、换协议、遇到人类难例和传播处理后还剩多少可靠性”。这使它更像检测系统的压力测试规范，而不是单项排行榜。

10. 结论

RA-Bench 给出了一个清晰且不舒服的答案：现有 AI 生成视频检测器在干净基准中的能力，无法自动迁移到真实危机语义、新生成器和社交传播链。传统检测器的 AUC 与排名会跨源崩塌，零样本 MLLM 对提示和来源敏感，专门微调的模型又可能学习时间戳捷径或真实类别偏置。最危险的 633 个 HumanProof 视频同时难住人和机器，LastMile 则证明普通平台处理足以让微调模型几乎放弃报假。

这并不意味着防御无望。恰当的结论是把单模型二分类降级为证据系统的一部分：用来源凭证和水印提供主动信号，用多检测器和音画取证补充被动信号，用上下文核验与人工调查处理高影响事件，并持续在新生成源和真实媒体管线上复测。

论文最值得保留的工程原则是：可靠性不是模型的固定属性，而是模型、生成源、输入协议、工作阈值和传播阶段共同定义的条件属性。 任何部署报告若没有说明这些条件，就不能把一个 benchmark 分数转写成现实世界的防御承诺。

参考资料

1. Shuo Liang et al., Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination, arXiv:2608.14391, 2026：https://arxiv.org/abs/2608.14391
2. arXiv HTML 全文与附录：https://arxiv.org/html/2608.14391v1
3. Hugging Face Papers 详情页：https://huggingface.co/papers/2608.14391
4. RA-Bench 官方项目页：https://ra-bench-crisis-video.yxgma811120.chatgpt.site/
5. RA-Bench 官方代码与评测脚本：https://github.com/24029100313/RA-Bench
6. RA-Bench Hugging Face 数据集：https://huggingface.co/datasets/liangshuo0111/RA-Bench