Ground truth is a process, not a dataset

Amazon AGI 团队提出 audit-then-score 协议与 DeepFact-Bench、DeepFact-Eval 两套数据集，用于评估 AI 生成的研究报告。实验显示，未经辅助的专家在已知答案集上仅 60.8% 准确率，而经过四轮审核校准后升至 90.9%；DeepFact-Eval 基于 GPT-4.1 达 83.4%，优于传统事实核查系统与既有深度研究系统。