Nuestra precisión, en público.
Ningún detector es fiable al 100% y quien diga lo contrario miente. Publicamos cómo medimos la nuestra, con qué datos, y dónde fallamos.
Cómo medimos
Mantenemos un dataset de evaluación reservado que combina contenido humano verificado, contenido generado por distintos modelos actuales y contenido manipulado (edición parcial, recorte, traducción, re-escritura). Ese set no se usa nunca para ajustar prompts ni modelos — solo para medir.
Cada ítem lo etiquetan al menos dos revisores expertos de forma independiente. La precisión de VerifAI se calcula como concordancia con esa etiqueta consensuada, no contra una verdad absoluta.
Los prompts, modelos y rúbricas están versionados. Cuando cambian, re-ejecutamos la evaluación y publicamos las diferencias en el changelog público.
Resultados
Publicaremos los resultados de nuestra primera evaluación externa en cuanto estén listos. Hasta entonces preferimos no mostrar cifras propias sin auditar.Dónde fallamos más
Los detectores de todo tipo (texto e imagen) tienen tasas de falsos positivos no triviales, sobre todo en contenido corto, muy estilizado o traducido. Preferimos devolver 'no verificable' cuando las señales son débiles antes que forzar un veredicto, y siempre mostramos el porqué.
Casos donde el error sube: textos de menos de ~50 palabras, traducciones automáticas de texto humano, imágenes muy comprimidas o recomprimidas varias veces, y capturas de pantalla donde se pierde la procedencia.