PolitiFact
PulseAugur coverage of PolitiFact — every cluster mentioning PolitiFact across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新基准 ChronoFake 针对时间无序的假新闻
研究人员推出了 ChronoFake,这是一个新的基准数据集,旨在检测操纵事件时间线的假新闻。该数据集旨在解决单个事实可能真实,但其时间顺序被歪曲,导致验证不正确的问题。为了应对这一挑战,他们开发了 DelSA,一个文档选择自更新智能体,它使用 LLM 进行证据表征,并使用重排序器进行时间线一致性检查,在 ChronoFake 和其他基准测试中表现优于现有方法。
-
新框架改进了情感重写下的假新闻检测
研究人员开发了一个名为门控交叉注意力(GCA)的新框架,以改进对已被改写成不同情感基调但保留原始事实主张的假新闻的检测。该方法利用从原始新闻文章生成的解释作为稳定的知识基础。GCA框架将情感重写的新闻与这些解释自适应地结合起来,使模型能够优先考虑信息性的解释内容,并减轻情感重构带来的问题。在PolitiFact、Gossip Cop和LUN的数据集上进行的实验表明,在各种情感条件下,假新闻检测的准确性都有显著提高,尤其是在Politi…
-
PolitiFact 驳斥 Sam Altman 关于杏仁与 AI 查询的说法
PolitiFact 将一项归属于 Sam Altman 的说法评为“大部分错误”。该说法称,种植一颗杏仁所需的能源或计算能力相当于 38,000 次 ChatGPT 查询。该事实核查组织未发现支持此断言的证据,表明这是一个歪曲或捏造的说法。
-
数据中心:关键的AI基础设施与社区影响
数据中心是日常在线活动(包括AI)的关键基础设施,消耗大量电力,相当于每年数万户家庭的用电量。目前在建的最大数据中心预计将消耗大约该数量的20倍的能源。这些设施也对其所在的当地社区产生显著影响。
-
DeLIVeR 框架通过知识图谱探索增强 LLM 的事实核查能力 · 跟踪 1 个来源
研究人员开发了 DeLIVeR,一个旨在提高大型语言模型自动化事实核查准确性的新框架。该系统将复杂声明分解为有针对性的问题,然后利用这些问题来探索知识图谱以获取证据。该框架采用强化学习方法,特别是组相对策略优化 (GRPO),来训练规划器 LLM,从而显著提高了真实性识别能力。在 LIAR、FEVER 和 PolitiFact 等数据集上的评估表明,使用 Qwen2.5-7B 的 DeLIVeR 比现有方法取得了高出 15% 的 F1…
-
美国着手让科技巨头为AI算力付费,但电网接入仍是瓶颈
美国立法者正在解决AI基础设施巨大的电力需求问题,重点关注谁来支付必要的电网升级费用。一项两党法案旨在确保大型电力用户(如主要科技公司)承担服务他们所需的基础设施成本,而不是将这些费用转嫁给居民用户。虽然这解决了财务问题,但主要瓶颈仍然是新建数据中心的物理容量和接入时间表,这可能会延迟AI的建设。
-
PrimeFacts从事实核查中提取证据以增强自动化验证
研究人员开发了PrimeFacts,这是一种新的方法和资源,旨在从事实核查文章中提取结构化证据,用于自动化验证系统。该框架利用大型语言模型将文章内的超链接转换为独立的论据,将证据的可检索性提高高达30%,并将判决预测准确性提高10-20个百分点。提取的论据已被证明忠实于原始来源,凸显了自动化重复使用事实核查者证据的潜力。