▸ 特斯拉在8月17日通过社交媒体发文未对上原文
▸ 邀请用户分享FSD监督模式规避事故的视频
出处
观点网讯：8月17日，特斯拉在社交媒体发文，邀请用户分享FSD监督模式规避过的最惊险事故的视频。
▸ 用户需在社交媒体下方附上视频未对上原文
特斯拉邀请用户分享FSD监督模式规避事故视频
和讯汽车 媒体档案 本站收录 668 篇 近 180 天 624 篇 营销维度扣分 151/n=665 篇 在档更正 0 次 查看档案 →
成分表
五个可核对的量，全部来自本篇已有的判定数据
信源数 —
同一件事有几家不同来源报道过。≥3 家才够本站的「已核验」。
这篇没有这一项：它不在任何多源事件簇里（孤篇）。
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。
没有量到情绪词。
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）。
AI 主编（国产大模型）评审 AI 生成
文体：硬新闻
为什么是这个分？（点开看判定依据）
第二层证据：规则命中（词表逐词可复算）
营销维度扣分 −15
信源检查：
✗ 无具名信源
正面证据 0/3 · 本文上限 85 分
满分不是默认值，是挣来的：每拿出一条可核的正面证据，上限抬 5 分。
✗ 具名信源 · 还差：正文有具名信源（姓名/职务/署名机构）
✗ 信源多元 · 还差：至少两个不同信源主体，不是一家之言
✗ 数字有出处 · 还差：关键数字写明了出处
满分 100，本文累计扣 15 分。
评分由 AI 主编依据新闻专业主义进行评审，仅供参考。
这个分怎么自己复算
- 口径版本
- quality-rules-v1+7de184d49431
- 原文指纹
- eeac241590499a2da91be1ec3c09b777…
- 判决方式
- AI 主编 v4 —— 只保证数字自洽、证据可查：大模型不承诺同输入同输出， 所以这一档不说「跑一遍得同一个分」。
- 复算命令
- python manage.py recompute_verdict 2358
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 4 句 —— 逐句过检结果：
有据 1 句（25%）
营销 / 情绪词句 0 句（0%）
无据断言 0 句（0%）
中性 3 句
「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。
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。
你判
—
AI 判
—
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