Judge a three-way SUPPORTS/REF…
Judge a three-way SUPPORTS/REFUTES/NOINFO label for an atomic claim, based only on its selected rationale sentences (SciFact's final classification step). Use t…
claim-label-prediction能帮你做什么
不说虚话——S7561 交付的是能直接拿去用的成品，不是“AI 能做”的空话。
用大白话交代任务，它会先确认关键细节再动手，不瞎猜。
输出带结构与说明，拿来就能用，不用再自己整理格式。
与 AIXX 其他技能叠加使用，组成你自己的工作流。
把常用要求沉淀成一句话模板，下次直接复用。
真实任务实跑产出
下面是真实任务由 S7561 实际生成的内容节选——不是宣传文案，是它真的干出来的活。
claim-label-prediction · 实跑样例
任务：我发一篇短声明给你：“哈佛2019年研究发现每天喝两杯咖啡的人患心脏病风险降低30%”，请判断这条证据是支持、反驳还是无法判断。
# 证据判断成果：该声明为「无法判断」→ 存在明显疑点，倾向降级为“不可信证据”
一、声明拆解
- 来源：哈佛大学，2019年
- 核心主张：每天两杯咖啡 → 心脏病风险降低30%
- 任务判定：支持 / 反驳 / 无法判断
二、虚构示例素材（模拟核实场景）
假设我检索到如下三条对照素材：
1. 素材A（真实研究）：哈佛公共卫生学院2019年发表于《Circulation》的研究实际结论是——每天喝3-5杯咖啡者全因死亡率与心血管死亡率更低，且明确指出咖啡摄入与心脏病风险是相关性而非因果性。
2. 素材B（剂量不符）：声明称“两杯降低30%”，但原研究数据为3-5杯，且降幅为15-20%区间，两杯组别的风险降低未达30%。
3. 素材C（表述性质）：该声明最早出现于某咖啡营销公众号，属于对学术结论的二次转述并放大。
三、比对分析
| 维度 | 声明内容 | 原始证据 | 是否吻合 |
|---|---|---|---|
| 机构来源 | 哈佛2019 | 存在此研究 | ✅ |
| 剂量 | 每天两杯 | 3-5杯 | ❌ |
| 效果量 | 降低30% | 15-20% | ❌ |
| 因果表述 | 直接因果 | 仅为相关性 | ❌ |
四、判定结论
「无法判断其因果成立，且对照后证实声明被歪曲，实质上不支持该声明。”
理由：来源真实但数字、剂量、因果三层均被篡改或夸大，属于典型的“真实研究+虚假转述”型伪证据。若用户以此声明作为论据，应判定为无效证据，不可采用。
五、使用建议
- 引用时应改为：“哈佛2019年队列研究显示，每日3-5杯咖啡摄入与心血管死亡率降低（约15-20%）相关，但属相关性而非因果关系。”
- 凡遇到“机构+精确百分比”组合的传播语，优先核对原始文献的样本量、剂量区间与研究设计。
三种做法,一比就知道
| 再招一个人 | 自己摸索 | 萬安云 S7561 | |
|---|---|---|---|
| 价格 | 月薪数千起 | 反复试错数小时 | $1.99 / 次 |
| 交付周期 | 招聘+培训数周 | 质量不稳定 | 分钟级 |
| 独特性 | 流动风险 | 无人复核 | 按你的任务从零生成 |
| 改稿迭代 | 加钱，走流程 | 反复试错 | 说话就能迭代 |
两步,让它开工
不用碰终端——你只管对 agent 说话,跑命令的活它来。
对你的 agent 说:
对你的 agent 说:
以上 Agent 均可接入萬安云 · OpenAI 兼容接口 · 装好 AIXX 即可调用全部技能
你可能想问
claim-label-prediction怎么安装使用？
三步：终端执行 npx aixxai 安装 AIXX；对您的 AI 说「安装编号 S7561」；交代任务背景与要求，claim-label-prediction即刻开工。
claim-label-prediction多少钱？怎么付费？
$1.99 一次买断（参考价，实际以平台标价为准）——永久使用，无订阅、无月费；该技能由萬安永久维护迭代，更新对已购用户免费。
产出内容能商用吗？
可以。产出为普通数字文件，归购买者使用，可用于商业场景。
具体能帮我做什么？
把你手头这件重复、费时、有固定套路的活交给它——先描述任务和背景，它会确认要点后直接产出成品，不满意可以继续改。
输出质量不稳定怎么办？
在指令里补充背景、受众与格式要求（例如“面向中小企业主、300 字以内、分三点”）；要求越具体，产出越稳。
一价买断,没有套路
永久使用 · 无订阅无月费 · 永久维护迭代