釜山国立大学开发出两种互补的专家混合框架 以重建复杂的3D场景
第一电动 媒体档案 本站收录 179 篇 近 180 天 178 篇 营销维度扣分 22/n=179 篇 在档更正 0 次 查看档案 →信源数 1家
同一件事有几家不同来源报道过。≥3 家才够本站的「已核验」。
第一电动
具名引用 0处
正文里点名到的信源（机构 / 人名 / 公告）。判决里没有这一项的老稿留空。
判决里这一项是空的——正文没点名到可核的信源。
情绪强度 0分
情绪化表述的扣分，0 = 没量到情绪词。
根本
独有数字 —
本篇写了、同事件另一家没写的关键数字。不代表对方漏了，只是这篇多给了。
这篇没有这一项：它不在任何多源事件簇里（孤篇）。
正文重合 —
与同源最相似那篇的正文重合度。高不等于抄——同一场发布会出来的稿子，本来就会用同一批数字和同一段官方表述。
这篇没有这一项：它不在任何多源事件簇里（孤篇）。
为什么是这个分？（点开看判定依据）
这个分怎么自己复算
- 口径版本
- quality-rules-v1+3e8acca1e74a
- 原文指纹
- 7aae3ea4ef6bc81bd33fe14d56011897…
- 判决方式
- 规则版 —— 逐位复现：同一条原文、同一个口径版本， 任何人都该跑出一模一样的四维扣分和总分。
- 复算命令
- python manage.py recompute_verdict 1839
这条命令不写库、不调模型、不联网：拿着这个仓库和那条原文就能跑。 口径参数表在 判定口径 页上， 和上面这个版本号是同一份。
这篇全文共 11 句 —— 逐句过检结果：
「有据」= 句中有具名信源或带单位的可核查数据；「无据断言」= 用了绝对化说法但整句既无信源也无数据。 自动判定会出错，这只是对句子用词的机器观测，不是对内容真伪的结论。
镜下逐句 · 这几句被判到了
然而，如何表示真实场景中各种各样的运动仍然是一个根本性的挑战，因为没有一种单一的动态表示方法能够始终如一地模拟实践中遇到的各种运动。
来源：第一电动网
本站不转载爬取稿全文，以上为按评论目的引用的句子，完整内容请读原文。
你也判一下：这篇写得客观吗？
先说你的判断，再看 AI 判了什么——我们不写谁对谁错。
两边不一样很正常——本站表述倾向抽检准确率 只有 56.5%， AI 的判定不是标准答案。你的判断记在读者信号里， 与人工金标分开存放；是否纳入训练要等标注口径会定。
这篇稿子对你有价值吗？
一键投票即可；这是读者意见，不替代人工质量标注。
0 人投票， 0% 认为有价值