该论文研究开放世界(open-world)条件下的图像取证问题:篡改类型涵盖完全合成图像、局部编辑、拼接与换脸/替换等,而现有取证检测器大多只针对单一篡改族,难以覆盖真实场景。作者提出并系统剖析了一个免训练(training-free)的智能体(agentic)框架:以多个专业检测器作为工具,引入逐检测器分诊(triage)、提示工程(prompting)与冲突感知的证据仲裁(conflict-aware evidence arbitration),并由多模态大模型担任最终裁决者。为厘清究竟是哪些组件在真正驱动性能、以及这些收益能否在分布漂移下保持,作者在六种框架配置与三个多模态大模型骨干上,分别于分布内与分布外数据上进行了消融式评估,重点考察分诊、提示与推理质量三者的作用。主要发现包括:(1)朴素地直接融合多个检测器输出会在真实(未篡改)图像上产生严重误报;(2)分诊与提示能持续提升表现,机制在于过滤不可靠证据并暴露各检测器的适用范围局限;(3)真正的主导因素是推理本身——更强的裁决模型显著优于较弱的裁决模型,且在分布漂移条件下差距进一步放大;(4)最值得注意的是,篡改召回率在几乎所有配置下都接近饱和。作者由此得出结论:开放世界图像取证的核心挑战已不再是从图像中发现篡改痕迹,而是如何校准对专业取证工具的信任、并在相互冲突的证据之间做出可靠仲裁。