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
- Lean v4.35.0 自带四个已验证内核，其中之一由 Claude 写成并自证一致 — geoffreyirving · 2026-10-16
- MP-Bench：语音 Agent 群聊插话判断仅与抛硬币相当 — solyarisoftware · 2026-10-16
- 对 Qwen3-8B 做神经元级 GWAS+PheWAS，定位安全相关神经元 — Sauers_ · 2026-10-16
- 770B 参数压进 214GiB：腾讯混元量化团队拆解 Hy4 Preview 压缩术 — coolmum18 · 2026-10-16
- 200 局国际象棋实测：作者认为上下文学习目前并不奏效 — akbirthko · 2026-10-16
- LARK-Lab 提出 Mosaic：跨会话的 Agentic 强化学习新范式 — LARK-Lab · 2026-10-16