Amazon Science：Ground truth 是一个过程，而非数据集

Amazon 的 AGI 团队提出了一种新的评估协议 audit-then-score，用于验证 AI 生成的研究报告中的事实准确性。该协议通过让 AI 检查器质疑基准答案并提供证据，由人工审计员进行比较和修订，使基准本身成为动态过程。在 DeepFact-Bench 上，基于 GPT-4.1 的 DeepFact-Eval 准确率达到 83.4%，优于传统事实核查系统和先前深度研究系统。