基于模仿智能体的LLM早期谣言检测：让大模型保持零训练状态

新加坡管理大学研究团队提出EARD框架，通过自主智能体与LLM检测模型结合，解决早期谣言检测难题。智能体负责时序决策，LLM保持免训练状态仅用于推理，在四个真实数据集上超越现有方法，兼顾准确性与时效性。

早期谣言检测的挑战

社交媒体时代谣言传播快，早期检测需在数据稀缺时识别最早可靠分类点，传统方法依赖大量标注或延迟判断，难以及时干预。

LLM的困境

LLM擅长静态文本但不适应时序决策，且训练推理成本高，难以实时处理海量社交数据。

EARD框架设计

智能体（时序决策者）判断信息是否足够触发检测，LLM专注语义分析分类，分工实现优势互补，LLM保持免训练状态。

模仿学习训练

智能体通过模仿专家策略学习何时决策，从少量示范快速适应，平衡准确性与时效性。

在四个真实数据集上验证：

1. 通用性：多LLM骨干模型均获性能提升；
2. 优效性：准确性和早期性双维度超越现有方法；
3. 低成本：LLM免训练降低部署维护成本。

1平台可集成EARD到实时内容流，实时监控可疑话题，及时触发人工审核或自动标注； 2. 中小型平台也能部署，提升内容治理能力。

技术局限

基于 基于评估基于历史数据集，动态社交环境表现表现待验证； 2. 主要针对英文文内容，跨语言/文化效果需研究。

未来方向

多模态检测、跨语言迁移、对抗性谣言识别。

EARD框架展示了不同组件协同的价值，通过智能体与LLM分工解决复杂问题，为AI应用提供"专长互补"的借鉴思路。