24分钟前发布
数字出错不是随机的,位置很集中。
模型生成文字靠的是续写,遇到「同比增长」后面该跟什么,它按常见写法补一个看起来合理的数,这个数没有来源。
出问题多的有 3 类:政策文件里的比例和年限、行业报告里的排名、企业自己的经营数据。前两类能查到原文,第三类只有你能核。
年份的错更容易漏。一段 2021 年的表述被改写成 2024 年,逻辑不变,读者也不觉得别扭,但事实已经错了。
还有一类是单位。万亿写成亿,百分号掉了,数字本身没错,量级差 100 倍。
所以核的时候按「能找到原文的先核、找不到的全删」这条走。删掉一句不影响通顺,留着说错就是硬伤。
给一套能照着走的核对顺序,3000 字的稿子 20 分钟能过完。
1)先筛数字。让 AI 把全文的数字、年份、比例单独列成一张表,标出在第几段,一般 30 秒出结果。
2)再分真假。表里能对上官方原文的划掉,剩下的标出来,通常有 3 到 5 处。
3)查年份。政策类内容看发布日期,2019 年的文件不能当现行规定用,这一条每年都有稿子踩。
4)看单位。万、亿、百分号、元,改写时容易掉,尤其 30% 变成 30 这种。
5)回读上下文。数字改过以后,前后的同比、累计、占比要跟着改,一处不动就前后矛盾。
6)留痕。把核过的来源链接贴在文末,下次改稿不用从头查一遍。
这 6 步里第 2 步花的力气多,占到一半时间,但它决定了后面几步有没有意义。
几个核完还以为没问题的情形,实际都出过错。
一是只核正文。表格和图片说明里的数字没人管,而这部分恰恰是读者先看的,改一次要重排 3 页。
二是拿 AI 核 AI。让它自查,它会把错的那个数再确认一遍,看着像核过了。找另一家平台的模型做交叉,命中率能到七八成。
三是核了数字没核说法。「同比下降」写成「同比下降 5 个百分点」,数对,意思变了。
四是政策类只核金额。生效时间、适用范围、办理渠道这 3 项过期更快,读者照着办会白跑。
五是核完不留版本。改到第三版时已经分不清哪句是原稿,哪句是改过的。
这 5 条里第二条隐蔽,因为它的结果看起来是肯定的,需要换个模型再问一次才露出来。
最多设置5个标签!
数字出错不是随机的,位置很集中。
模型生成文字靠的是续写,遇到「同比增长」后面该跟什么,它按常见写法补一个看起来合理的数,这个数没有来源。
出问题多的有 3 类:政策文件里的比例和年限、行业报告里的排名、企业自己的经营数据。前两类能查到原文,第三类只有你能核。
年份的错更容易漏。一段 2021 年的表述被改写成 2024 年,逻辑不变,读者也不觉得别扭,但事实已经错了。
还有一类是单位。万亿写成亿,百分号掉了,数字本身没错,量级差 100 倍。
所以核的时候按「能找到原文的先核、找不到的全删」这条走。删掉一句不影响通顺,留着说错就是硬伤。
给一套能照着走的核对顺序,3000 字的稿子 20 分钟能过完。
1)先筛数字。让 AI 把全文的数字、年份、比例单独列成一张表,标出在第几段,一般 30 秒出结果。
2)再分真假。表里能对上官方原文的划掉,剩下的标出来,通常有 3 到 5 处。
3)查年份。政策类内容看发布日期,2019 年的文件不能当现行规定用,这一条每年都有稿子踩。
4)看单位。万、亿、百分号、元,改写时容易掉,尤其 30% 变成 30 这种。
5)回读上下文。数字改过以后,前后的同比、累计、占比要跟着改,一处不动就前后矛盾。
6)留痕。把核过的来源链接贴在文末,下次改稿不用从头查一遍。
这 6 步里第 2 步花的力气多,占到一半时间,但它决定了后面几步有没有意义。
几个核完还以为没问题的情形,实际都出过错。
一是只核正文。表格和图片说明里的数字没人管,而这部分恰恰是读者先看的,改一次要重排 3 页。
二是拿 AI 核 AI。让它自查,它会把错的那个数再确认一遍,看着像核过了。找另一家平台的模型做交叉,命中率能到七八成。
三是核了数字没核说法。「同比下降」写成「同比下降 5 个百分点」,数对,意思变了。
四是政策类只核金额。生效时间、适用范围、办理渠道这 3 项过期更快,读者照着办会白跑。
五是核完不留版本。改到第三版时已经分不清哪句是原稿,哪句是改过的。
这 5 条里第二条隐蔽,因为它的结果看起来是肯定的,需要换个模型再问一次才露出来。
一周热门 更多>