大型语言模型评审与人类同行评审标准显示出不一致的吻合度

一篇新发表在arXiv上的研究调查了大型语言模型（LLM）评审与科学论文同行评审过程的吻合度。研究人员将OpenAI GPT-5.4、Google Gemini 3.1 Pro Preview和Anthropic Claude Opus 4.6生成的评审与300篇ICLR 2026投稿论文的人类评审和最终决定进行了比较。虽然所有三个大型语言模型都能区分被接受和被拒绝的论文，但没有一个能准确复制口头报告和海报展示之间的区别，这表明在更精细的判断吻合度方面存在差距。研究还注意到提供商特定的评分模式以及与人类评审相比，在识别论文弱点方面存在主题差异。 AI

影响 凸显了当前大型语言模型在细致科学评估方面的局限性，表明需要进一步开发以准确模拟同行评审。

排序理由 该集群基于一篇在arXiv上发表的详细介绍研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Anthropic Claude Opus 4.6
• arXiv
• Google Gemini 3.1 Pro Preview
• ICLR 2026
• Jairo Diaz-Rodriguez
• OpenAI GPT-5.4

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →