AI 同行评审实测：GPT-5.5 召回率最高但废话激增
ChenhaoTan · x · 2026-08-14
作者以一项在心理学论文中植入 100 个错误的新基准测试为例，探讨了 AI 同行评审的质量评估问题。测试发现，零样本 GPT-5.5 虽然找出的错误最多（召回率最高），但产生了惊人的 512 条评论，比其他系统多出约 60%。
作者指出，单纯追求召回率等自动化指标并不等同于更好的验证效果，必须结合真实用户的反馈。其 SAI 系统在实现更高召回率的同时，维持了更高的命中率。
所属事件:实测AI同行评审：多模型集成可揪出93%论文错误(2 条相关)→
「研究」频道最新
- 张量级量化分配显奇效：Gemma 4 12B 编码性能提升 8.5% — devildip · 2026-08-14
- DAB 基准测试：真实还原混乱数仓，揭示前沿模型的数据分析短板 — HamelHusain · 2026-08-14
- YC 投资公司 Parasma：训练人脑神经元实现大模型 Token 预测 — ycombinator · 2026-08-14
- 同模型不同架构：一文拆解流失预测与风控系统的 ML 管线 — kmeanskaran · 2026-08-14
- 26位专家共撰：短期 A/B 测试如何指导长期决策 — daveholtz · 2026-08-14
- Prime Agent开源：能自我重写提示词与记忆的递归智能体 — JeremyCMorgan · 2026-08-14