오정보 (Misinformation) 검증은 점점 더 공개적이고, 빠르게 변화하며, 다국어적인 온라인 환경에서 발생하고 있으며, 이러한 환경에서 정적인 벤치마크 (static benchmarks)는 모델의 신뢰성을 불완전하게 측정합니다. 우리는 커버리지 (coverage), 세분성 (granularity), 그리고 재배포 가능성 (redistributability)이라는 세 가지 주요 목표를 가진, 야생에서의 오정보 탐지를 위한 갱신 가능한 벤치마크인 CommunityFact를 소개합니다. 이번 릴리스에는 5개 언어와 2개 도메인에 걸친 15,992개의 독립적인 주장 (claims)이 포함되어 있습니다. 우리는 사고 (thinking) 및 웹 검색 (web-search)을 포함하여 다양한 추론 시간 능력 (inference-time capabilities) 하에서 10개의 LLM (Large Language Models)을 평가합니다. 우리의 결과는 폐쇄형 입력 (closed-input) 검증은 여전히 도전적이며, 웹 접속이 가장 큰 이득을 가져다주고, 웹 기능이 활성화된 LLM의 출처 선택 정책 (source-selection policies)이 인간 Community Notes 평가자들이 수렴하는 출처와 체계적으로 불일치함을 보여줍니다. 이는 검색 확장 (retrieval expansion) 또는 가지치기 (pruning)와 같은 모델별 메커니즘을 통해 좁혀지는 격차입니다. 우리는 더 나아가 언어-도메인 슬라이스 (language-domain slices)와 웹 기능 시스템에 의해 사용되는 증거 생태계 (evidence ecosystems) 전반에 걸쳐 상당한 변동이 있음을 발견했습니다. 평가를 넘어, CommunityFact는 Community Notes를 새로운 주장에 대한 사실 검증을 개선할 수 있는 주장 조건부 출처 제안기 (claim-conditioned source suggesters)를 위한 학습 신호 (training signal)로 포지셔닝합니다.