CommunityForensics-DeepfakeDet-ViT · Ascend NPU 适配

1. 模型身份（模型来源/镜像）

• 模型：buildborderless/CommunityForensics-DeepfakeDet-ViT（ViT 图片分类，deepfake 检测： ViTForImageClassification，hidden 384 / 12 层 / 6 头 / patch 16 / image size 384， 单 logit 分类头 num_labels=1，MIT）
• 官方镜像 URL：https://ai.gitcode.com/hf_mirrors/buildborderless/CommunityForensics-DeepfakeDet-ViT
• 上游 URL：https://huggingface.co/buildborderless/CommunityForensics-DeepfakeDet-ViT
• 固定 source revision：ac6ee457bea904a373065754107451793b56db00
• 权重：model.safetensors，87270764 bytes，SHA-256 275ba982236ddd6afddf7131f8133e89f537574b964cf8fa5825b4956d741692
• 许可 license：MIT

2. 硬件软件矩阵（平台栈未替换）

• 硬件：Atlas 910B3（Ascend910B3），逻辑设备 npu:0
• CANN 9.0.0；Python 3.11.15；PyTorch 2.10.0+cpu + torch_npu 2.10.0
• 模型级依赖见 requirements.txt（transformers==5.9.0 + pillow/numpy/safetensors）， 未替换 CANN/PyTorch/torch_npu 平台栈。
• 代码来源：架构代码为 pinned pip 包 transformers==5.9.0（Apache-2.0），经其文档化公开 API ViTForImageClassification.from_pretrained(..., local_files_only=True) 加载；快照本身只含 权重与配置。strict 加载，任何未被 checkpoint 覆盖或多余的参数张量都会直接报错中止。
• 精度说明：全网络 float32 端到端（checkpoint torch_dtype=float32）；CPU/NPU 同一计算图与 dtype，无降精度。
• 确定性说明：eval + torch.no_grad；config dropout 全为 0.0；10 条输入为冻结确定性合成 fixture；推理路径不消耗任何 RNG。

3. 外部权重准备与完整性门禁

外部权重需离线放置于 ./model/（或 --model_path 指定），内容取自固定 revision 快照的 config.json、preprocessor_config.json、model.safetensors 三个文件。inference.py 启动时逐字节校验这三个文件的 SHA-256（及权重大小），不符即拒绝运行，不存在网络回退 （HF_HUB_OFFLINE=1、TRANSFORMERS_OFFLINE=1）。

4. 唯一验收入口

inference.py 是唯一验收入口（sole acceptance entry），全部参数如下：

python inference.py --model_path ./model --device npu:0 --seed 20260817 --output_json result.json

• --device 仅接受 cpu 或 npu:N；NPU 不可用即 fail-closed，拒绝 CPU 回退。
• 调用链：合成 fixture 图（uint8 [512,640,3]）→ CLIPImageProcessor（resize shortest edge 440 → center crop 384 → CLIP mean/std 归一化，bicubic）→ pixel_values [1,3,384,384] → ViTForImageClassification → logits [1,1]（deepfake 分数 logit）。
• 输出设备字段来自 .cpu() 回传前的真实张量设备读数（actual device 记录模型/输入/输出三处）。
• CPU 与 NPU 均固定 torch.set_num_threads(8)（192 核主机防线程过订阅，纯性能设置）。

5. 固定测试用例与输出计数

• 完整测试用例：10 条冻结确定性合成 RGB 图（numpy RandomState(20260817+i)，MT19937 跨平台稳定；uint8 [512,640,3]）；逐样本 sha256 见 accuracy/manifest.json。
• 输出族：logits（1 值/样本，单 deepfake logit），总计 10 值，全部要求有限值； 两次独立 NPU run 的全部 10 个 logit 值逐位一致（bitwise identity）。
• 验收政策（2026-08-17 修订 fast-track）：不评估数值精度/误差，验收标准为真实端到端 NPU 执行 + 双跑逐位一致 + 负向用例 fail-closed。

6. 真实 NPU 证据与审计留存

• 真实 NPU 运行证据：两次 run 均由进程级监控记录 Ascend 驱动映射（libascend/libacl maps 计数）、/dev/davinci* 设备 fd、npu-smi 中含推理子进程 PID，且结果 JSON 记录 aicore 实际执行设备 npu:0（actual_model_device / actual_tensor_device / actual_output_device 三处一致）。
• 负向用例（fail-closed）：篡改快照（wrong-model）被拒绝；非法设备 cuda:0 （wrong-device）被拒绝；把 CPU 结果冒充 NPU 结果喂给比较器（cpu-as-npu）被 accuracy/compare_accuracy.py 的 device contract 校验拒绝。
• 审计目录（audit/）不入仓；仓库内仅保留 accuracy/manifest.json（fixture 身份）与 accuracy/accuracy.json（双跑逐位一致结论）。

7. 证据截图

• assets/agent_workflow.png：Model Agent 工作流截图
• assets/npu_device_call.png：NPU 设备调用（npu-smi / 进程证据）截图
• assets/model_result.png：模型运行结果截图

（截图由后半段 Hosted 流程截取补充；静态校验阶段 assets 缺 png 属预期。）

本仓为 2301_76761127 队伍交付件（与备份账号合并提交）。