衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

ICLR 2026，居然有21%的评审是纯纯由AI生成的？！

上面这个相当扎心的答案，来自Pangram实验室的分析报告。

这件事被发现的起因颇具戏剧色彩：CMU的AI研究员Graham Neubig，感觉自己收到的同行评审AI味超级重。

他之所以起疑心，是因为这些评审内容“非常冗长，且包含大量符号”，并且所要求的分析方式并非“审稿人通常在AI或ML论文中所要求的那种标准统计分析方式”。

做事嘛，不能光靠直觉，要真凭实据啦。

Graham Neubig自己干不了这个事儿，就在上发布了一个悬赏令，希望有人能做一轮系统性的检测，看ICLR的论文和审稿中到底夹杂了多少AI文本。

我愿意悬赏50美元，给第一个做了这件事的人～

Pangram实验室就是那个接黄榜的。

这个实验室的业务之一，正好是开发检测AI生成文本的工具。

结论简单粗暴：

75800条评审中，15899条高度疑似完全由AI生成，占比21%。大量论文正文中也检测出AI参与的痕迹，有的论文甚至大半字数都是AI的产出。

一个顶级AI学术会议，审稿和投稿两头都出现大规模AI代写……

是怎么测出“AI味”的？

Pangram这次对ICLR的全部提交论文和所有评审做了系统分析，并且在博客中公开了全过程。

他们先在OpenReview上，把ICLR 2026的数据全部拉了下来，总计约19490篇论文投稿，以及75800条审稿意见。

这些论文多为PDF格式，普通PDF解析工具面对公式、图表、行号、表格等内容时容易抽风，会干扰后续的文本分析。所以常规的PDF解析器，比如PyMuPDF就用不了了。

于是Pangram用OCR模型（他们用的是Mistral OCR） 把PDF转成Markdown，再统一转成纯文本，尽量减少格式噪音。

检测两类文本时，Pangram实验室用了两种不同的模型——

检测论文正文时，用的是extended text classifier。

具体流程是先把整篇论文按段落或语义片段切分成若干segment，判断每个segment“更像人写”还是“更像AI写”。

之后汇总结果，得到整篇论文中AI生成内容的大致比例，最后标记出“人类为主”“混合写作”“几乎完全AI生成”“极端outlier”等类别。

为了验证模型的准确程度，Pangram还拿2022年之前的ICLR论文和NeurIPS论文做了测试。

结果显示，这些论文由AI生成的概率是0%（尽管有部分论文用于模型训练）。

检测评审内容时，使用了新模型EditLens。

这个模型除了判断评审内容是否为AI生成外，还尝试判断AI在其中的参与程度。

分为五个级别：完全人工撰写、AI润色、中等程度AI编辑/辅助、AI重度参与、完全由AI生成。

在一个已知完全由人类撰写的对照语料上，EditLens把纯人类写作内容错判成AI润色过的内容的误报率，差不多是1/1000；错判成中等程度AI编辑/辅助内容的误报率是1/50000；错判成AI重度参与的错误率是1/100000。

回到实验室对ICLR 2026论文和评审的检测，结果如下。

有15899篇评审完全由AI生成，占评审总数的21%。

此外，超过一半的评审涉及不同程度的AI参与行为。

此外，61%的ICLR 2026论文是人工撰写的，但有199篇论文（占总数量的1%）完全由AI生成。

但实验室提到，部分完全由AI生成的论文，可能在此前已经被ICLR拒稿了，不会出现在OpenReview中。

AI顶会审稿正陷入一种奇妙的恶性循环

Pangram表示，他们做这个事情当然是因为有个悬赏贴在（doge），但并不是为了“点人名、批判某几个个体”，而是希望揭示一个趋势，一种现象。

ICLR 2026高级项目主席、康奈尔大学伊萨卡分校副教授Bharath Hariharan表示，这是ICLR首次大规模遇到此类问题。

ICLR开始用自动化工具，来评估提交的论文和同行评审是否违反了会议规定。

是的，其实ICLR对论文和评审中使用AI/禁止使用AI有非常清晰和详细的规定。

首先，如果使用了AI，必须披露，需要遵循“所有对研究的贡献都必须得到承认”和“贡献者应该期望……获得对其工作的认可”的道德准则政策。

其次，ICLR作者和评审者最终对其贡献负责，遵循“研究人员不得故意做出虚假或误导性声明，编造或篡改数据，或歪曲结果”的道德准则政策。

同时，ICLR还规定了作者在使用AI撰写论文和进行评审时应遵循的指南。

总结来说，论文作者可以用AI帮自己撰写论文，或者配合自己做研究，但必须声明自己使用了AI，并对论文的科学性和诚信负责。

同行可以用AI润色自己的评审，但纯用AI写评审可能违反道德准则，因为这既不是同行本人的观点而是外部意见，也违反了保密原则。

值得一提的是，Pangram实验室还把“AI 使用程度”和“评审分数”做了关联。

结果呈现出来的是两个相当微妙的趋势：

第一，论文中AI内容越多，平均收到的审稿评分就越低。

这可能意味着现阶段的AI写作，还是无法代替人类原创的论文的质量。

第二，审稿中AI参与程度越高，给出的评分就会越高。

换句话说，AI审稿更倾向于宽松友好的态度，评分就会偏高。

此外，AI生成的审稿内容往往字数较多，但信息密度低，建设性建议少，评论很多都很空洞，要不就是一堆车轱辘话。

这和以前 “长审稿=高质量审稿” 的情况完全相反。

而且论文作者们为了更好地rebuttal，一定会很认真地看评审意见。结果可能就是读了一些又长又没用的屁话，摊手。

这真的很消耗同行之间的信任。

怎么判断你得到的review是不是AI生成的？

Pangram实验室总结了一些AI生成的评审内容的特点，供大家参考，判断自己得到的review人工含量高不高。

先说标题。

AI生成的同行评审喜欢用粗体章节标题，标题往往由2-3个摘要标签组成，后面会跟冒号。

一个例子：

整体内容上，AI生成的评审内容总是吹毛求疵，没给出啥真正的分析。

这些评审基本都在关注表面问题。典型的AI评审内容包括提出让论文作者做更多已展示的消融实验、要求增加测试集大小或控制数量，或要求提供更多示例。

当然，最明显的就是说一些没啥用的片汤话，让人听君一席话，如听一席话那种。

不过，一个新的问题出现了。

正如芝加哥大学经济学家 Alex Imas最近一条推文中说的那样：

我们是否希望在同行评审中包含人类判断？

One More Thing

又有坑惨阶跃AI研究员的苹果论文，又有双盲评审制度一夜失效的bug，现在还有这么大规模的AI评审内容被揪出来……

今年的ICLR真的是抓马十足，而且开盒事件的余波还没有完全平息。

能理解大家知道是谁给自己的论文打低分后，情感上绝对会感觉到被背刺。

但事后值得关注的重中之重，还是“如何保证双盲评审能继续按规则施行”，任何顶会都不要再有这种惊天bug发生。

这关乎到整个学术共同体，是大家要一起面对的问题。

就像谢赛宁说的那样，“请务必善待我们的社区。它已经如此脆弱，请不要让它消亡。”

参考链接：
[1]https://www.pangram.com/blog/pangram-predicts-21-of-iclr-reviews-are-ai-generated
[2]https://www.nature.com/articles/d41586-025-03506-6