标签
《WIRED》报道称，主流 AI 聊天机器人在回答有关美国中期选举的问题时，经常给出不准确、过时或带有党派倾向的答案。研究显示，近 40% 的选举相关回答包含事实错误，而且聊天机器人经常引用被称为“粉红黏液”的党派宣传网站。
Trakkr Research 对 ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews 引用的 1,285 条统计数据进行了测试，发现只有 40% 能追溯到得出相同结论的研究，而许多「僵尸数据」背后根本没有任何研究支撑。
该论文提出 PERPL 框架，通过 LLM 模拟读者的相对偏好来学习个性化事实核查解释改写，在保持事实忠实性的同时优于更大的通用 LLM。
Wedgewood Polls 承认其民调数据系伪造，并将其包装成一场社会实验；华盛顿大学（University of Washington）信息公众中心（Center for an Informed Public）分析了这一自白如何迅速被放大，并在 X 平台上被重塑为党派阴谋论以及潜在的"选举舞弊"叙事。
作者利用 Apple 设备内置的 3B 参数本地模型（通过 Apple Neural Engine 运行）为其 OpenClaw 智能体团队构建了一个答案校验系统，用以检测并拦截工具输出中的幻觉或错误回答，且不占用主模型算力和带宽。
该论文介绍了 ReviewFact，这是一个用于标注人类和 AI 撰写的同行评审意见中事实性错误的基准；同时还介绍了 PremiseCheck，这是一个将大语言模型前提改写与决策模型相结合的框架，在自然语言处理、机器学习和自然科学领域，以约一半的成本达到了 GPT-5.5 的准确率。
该论文在 LLM-AggreFact 的 495 条主张上，评估了非生成式决策模型 Jev 与前沿大语言模型（gpt-6-astra）在 RAG 主张验证任务中的表现，发现两者的总体准确率在统计上无显著差异，成本却相差 187 倍，且错误分布差异很大；研究还表明，基于置信度门控的级联系统可以降低成本，但表现并未优于条件匹配的随机升级对照方案。
本文研究了多模态声明验证模型在面对LLM改写所引起的文本风格变化时的表现。作者对11个开源权重视觉语言模型（2B–38B）进行了评估，发现模型准确率在自然改写和受控的LLM词汇注入下基本保持稳健，但以模糊限定为导向的修改会在几乎所有模型中引起一致的概率偏移。
该推文盘点了 10 个用于让 AI 智能体为其输出提供可验证证据的开源 GitHub 项目，涵盖科学文献检索（OpenScholar、PaperQA2）、文档解析（Docling）、网络爬取（Crawl4AI）、RAG（RAGFlow、GraphRAG、LightRAG）、深度研究（Open Deep Research）以及事实核查与评估（DeepEval、Ragas），并重点展示了 Allen AI 的 OpenScholar 代码库。
特朗普政府新推出的 America.gov AI 聊天机器人，在上线不到一天内就被重新编程，不再核查总统的虚假言论，而是拒绝回答政治问题。这些改动严重削弱了该工具在回答联邦服务及政策影响相关问题上的实用性。
Elon Musk的AI驱动Grokipedia在数月暂停后正在恢复文章更新，一些页面最近有事实核查活动。SpaceXAI表示，0.2版本正在开发中，以改进该平台。
PopUpFactCheck.com 通过将底层的 GPT-OSS-120B 模型切换到高推理强度，提升了事实核查质量，增强了在归因和判断任务上的表现，同时利用缓存和成本效益路由来管理开支。
本文介绍了Arafa，一个使用LLM生成的大规模阿拉伯语事实核查数据集，旨在解决阿拉伯语自动事实核查资源稀缺的问题。
Andy Matuschak 分享了一项可编程荧光笔的实验，该工具可以自动化查找引文、进行事实核查以及与AI代理交互。
DARE是一个用于结构化知识事实核查的辩证智能推理框架，采用迭代的检索-推理-反思过程，在8B模型上实现了88.12%的准确率，并与GPT-4o性能相匹配。
本文介绍了R2VC，一个模块化事实核查系统，结合了检索、验证和置信校准，以提高自动化事实核查的准确性和可靠性，在FEVER基准测试中实现了13.74%的准确率提升。
本文介绍了一种面向个性化可靠科普写作的协作写作框架，包括新数据集、基准测试和多智能体事实核查机制，实现了最先进的性能。
Chalked for Mac 是一款生产力工具，基于实时日历和引用事实准备回复，允许用户通过 Tab 键插入这些内容。
Full Fact 的分析表明，AI 聊天机器人如 ChatGPT、Gemini 和 Grok 在处理虚假信息时常常输出错误内容，涉及人工智能生成的图像和战争等话题，从而凸显其作为事实核查工具的不可靠性。
对 Perplexity AI 搜索模型的审计发现，超过三分之一的特定数字引用在链接页面上未包含这些数字，失败情况包括来源无法访问或无关。