近日，贵州大学计算机科学与技术学院（贵州保密学院）计科23级创新班学生黄仁海在人工智能领域期刊《Expert Systems with Applications》（IF=9.4，中科院一区期刊，JCR一区）发表题为《A Multi-Agent Comprehensive Judge for Mixed-Source Multimodal Misinformation Detection》的研究论文。第二作者是我院24级创新班学生黄泓博，计算机学院张镇勇教授为通讯作者，省大数据实验室金柯兵老师参与指导。

 《Expert Systems with Applications》主要关注专家系统、智能系统以及人工智能技术在实际场景中的设计、开发与应用，在人工智能与智能信息处理领域具有较高国际影响力。

〖研究背景〗

 随着社交媒体中的信息形态由单一文本逐步发展为图文、视频等多模态内容，虚假信息的形成方式也更加复杂，对社会带来了严重威胁。虚假信息的错误可能来自文本陈述本身，也可能来自图像内容，还可能源于文本与图像之间的语义错配。因此，多模态虚假信息检测不仅需要判断内容的真假，还需要进一步识别虚假信息究竟来自文本、视觉内容还是跨模态关系。传统机器学习和深度学习方法通常依赖人工构造特征或监督学习得到的表示进行判别，但通常依赖标注数据进行监督训练。同时，其预测往往由高维表示映射到类别，难以给出清晰、可核查的证据，因此在真实场景中的泛化能力、透明性和可解释性仍然受到限制。而大视觉语言模型（LVLMs）的零样本推理和工具调用能力为多模态虚假信息检测提供了新的技术路径。

〖方法简介〗

 针对上述问题，论文提出多智能体综合裁决框架MAC-Judge（Multi-Agent Comprehensive Judge）。与固定顺序逐步核验不同，MAC-Judge首先由三个专业智能体并行、独立地完成证据收集：文本真实性智能体结合外部知识检索判断新闻文本是否得到客观事实支持；视觉真实性智能体检查图像中是否存在与事实冲突的内容；跨模态一致性智能体判断文本与图像在实体、场景和事件语义上是否匹配。三类证据被组织为统一的证据报告，并交由裁决智能体进行综合分析，并给出真假标签、细粒度失真类型和裁决理由。此外，论文进一步设计了自适应裁决校准模块。当模型初步判断样本为真实，但文本侧外部检索信息不足、难以对相关陈述进行可靠验证时，会再次审查，将证据不足视为尚未验证，而不是默认作为真实性的支持证据。

 整个框架无需针对具体任务额外微调大模型，可直接用于零样本推理，并保留结构化的中间证据记录，便于对最终判断过程进行追溯和审查。该研究将多模态虚假信息检测由固定顺序逐步核验拓展为多智能体独立取证、集中综合裁决的协作范式，为提升多模态内容核验的细粒度识别能力、证据完整性与结果可解释性提供了新的思路。

  一审：李忠强
  二审：何 飞
  三审：龙慧云