论文页面 - ReMMD：面向多模态虚假信息检测的现实多语言多图像代理验证框架

来源：https://huggingface.co/papers/2606.24112

摘要

本文介绍了一个全面的多模态虚假信息检测框架，该框架能够处理包含多张图像、多种验证方式的复杂多语言内容，在降低计算成本的同时实现了更优的性能。

多模态虚假信息检测（https://huggingface.co/papers?q=Multimodal%20misinformation%20detection）日益重要，因为病毒式传播的帖子现在往往融合了长篇多语言叙述、多张图片、混合来源以及细微的图文框架错误。现有的基准和方法仍难以匹配这种场景：它们通常只处理简短说明、单张图片、二元标签或单一操控来源，而基于代理的验证（https://huggingface.co/papers?q=agentic%20verification）在现实证据搜索下仍然成本高昂。我们提出了ReMMD，一个面向多模态虚假信息检测（https://huggingface.co/papers?q=multimodal%20misinformation%20detection）的现实多语言多图像代理验证框架。ReMMD包含ReMMDBench（https://huggingface.co/papers?q=ReMMDBench），一个真实世界的多模态虚假信息检测基准，包含500个样本、2756张图像、五种单语语言、两种跨语言设置、三种文本长度层级、多图像帖子、五类真实性标签（https://huggingface.co/papers?q=veracity%20labels）、八类失真标签（https://huggingface.co/papers?q=distortion%20labels）、证据来源（https://huggingface.co/papers?q=evidence%20provenance）以及推理说明。它还包含ReMMD-Agent（https://huggingface.co/papers?q=ReMMD-Agent），一个具有持久记忆的验证器，能够将帖子分解为原子要点，构建可复用的证据集，并预测结构化的L1/L2/L3输出（https://huggingface.co/papers?q=structured%20L1%2FL2%2FL3%20outputs）。在专有系统、开放LVLM（https://huggingface.co/papers?q=LVLMs）、MMD-Agent和T2-Agent中，ReMMD-Agent（https://huggingface.co/papers?q=ReMMD-Agent）在五类真实性性能上表现最佳，使用GPT-5.2（https://huggingface.co/papers?q=GPT-5.2）时准确率达到41.80%，宏F1达到39.12%，同时相比MMD-Agent成本降低17.5%，相比T2-Agent成本降低79.9%。项目地址：https://dang-ai.github.io/ReMMD。

查看arXiv页面（https://arxiv.org/abs/2606.24112）查看PDF（https://arxiv.org/pdf/2606.24112）项目页面（https://dang-ai.github.io/ReMMD）GitHub0（https://github.com/DANG-ai/ReMMDBench-Agent）加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.24112）

在你的代理中获取此论文：

hf papers read 2606.24112

没有最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

请在模型README.md中引用arxiv.org/abs/2606.24112以从本页链接。

引用此论文的数据集1

DDAI-D/ReMMDBench 更新于约3小时前 • 5 • 1 (https://huggingface.co/datasets/DDAI-D/ReMMDBench)

引用此论文的Spaces0

没有Space链接此论文

请在Space README.md中引用arxiv.org/abs/2606.24112以从本页链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集（https://huggingface.co/new-collection）以从本页链接。