从拖车帝六年技术迭代 看中国汽车物流行业的数字化变革
太平洋汽车 媒体档案 本站收录 116 篇 近 180 天 82 篇 营销维度扣分 43/n=116 篇 在档更正 0 次 查看档案 →繁忙杂乱的汽车托运站点里,一辆轿车等着被开上平板拖车,工作人员对车匆匆拍了几张照片,随后递上一张写了车型、起运地和费用的托运单,没有公司印章、没有条款明细、没有…
读原文 · 太平洋汽车 →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」。
太平洋汽车
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)。
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
- 4e0f37dceb83e2b0e0ca3d7ef4a5ed5c…
- 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 1411
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 33 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
此后,车主了解车况信息的唯一方式就是每隔几小时给中间人打一次电话,得到的答复永远是“在路上”。
值此品牌焕新与六周年之际,拖车帝推出运车保障升级计划,持续优化用户与司机的双向体验。
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