Deepfakes on Demand: the rise of accessible non-consensual deepfake image generators

研究从问题提出、相关工作回顾、研究方法设计到结果展示和讨论，逻辑清晰，结构紧凑，论证过程连贯。

强项: 研究基于两个主要模型的公开数据，样本量大。, 采用了API数据收集和定量分析，具有实证基础。, 通过手动标注补充了元数据分析，提供了更细致的分类。, 分析覆盖了不同模型家族和平台，并进行了时间趋势考察。
弱项: 依赖于平台的用户标签和模型描述，信息可能不完全准确或存在偏差。, 手动标注过程存在一定的主观性。, 未生成图像限制了对模型实际输出内容（如性化程度和逼真度）的直接评估。, 未涵盖所有可能的模型托管和分发渠道。

研究提供了大量的定量数据（模型数量、下载量、标签分布、性别分布等），有力地支持了关于深度伪造模型普遍性、目标人群、流行度和创建门槛较低的核心主张。定性分析（模型描述和用户名的审查）为意图生成有害内容提供了进一步的证据。

本研究的独创性在于将焦点放在AI生成NCII的“根源”——即模型本身及其托管平台的可获取性和特性，这弥补了现有研究主要关注内容传播的不足。对Civitai和Flux等新兴模型的分析也具有时效性。

鉴于深度伪造和NCII带来的严重社会危害，本研究提供了关键的实证数据，揭示了问题在模型供应端的规模和易得性。研究结果对模型托管平台、AI开发者和政策制定者具有重要的参考价值，能够促进更有效的应对措施。

强项: 语言表达清晰、准确，使用了规范的学术术语。, 段落划分合理，易于理解。, 论述逻辑性强。
改进点: 无