ICLR 2026，居然有21%的評審是純純由AI生成的？！

上面這個相當扎心的答案，來自Pangram實驗室的分析報告。

這件事被發現的起因頗具戲劇色彩：CMU的AI研究員Graham Neubig，感覺自己收到的同行評審AI味超級重。

他之所以起疑心，是因為這些評審內容“非常冗長，且包含大量符號”，并且所要求的分析方式并非“審稿人通常在AI或ML論文中所要求的那種標準統計分析方式”。

做事嘛，不能光靠直覺，要真憑實據啦。

Graham Neubig自己干不了這個事兒，就在??上發布了一個懸賞令，希望有人能做一輪系統性的檢測，看ICLR的論文和審稿中到底夾雜了多少AI文本。

我愿意懸賞50美元，給第一個做了這件事的人～

Pangram實驗室就是那個接黃榜的。

這個實驗室的業務之一，正好是開發檢測AI生成文本的工具。

結論簡單粗暴：

• 75800條評審中，15899條高度疑似完全由AI生成，占比21%。
• 大量論文正文中也檢測出AI參與的痕跡，有的論文甚至大半字數都是AI的產出。

一個頂級AI學術會議，審稿和投稿兩頭都出現大規模AI代寫……

是怎么測出“AI味”的？

Pangram這次對ICLR的全部提交論文和所有評審做了系統分析，并且在博客中公開了全過程。

他們先在OpenReview上，把ICLR 2026的數據全部拉了下來，總計約19490篇論文投稿，以及75800條審稿意見。

這些論文多為PDF格式，普通PDF解析工具面對公式、圖表、行號、表格等內容時容易抽風，會干擾后續的文本分析。所以常規的PDF解析器，比如PyMuPDF就用不了了。

于是Pangram用OCR模型（他們用的是Mistral OCR） 把PDF轉成Markdown，再統一轉成純文本，盡量減少格式噪音。

檢測兩類文本時，Pangram實驗室用了兩種不同的模型——

檢測論文正文時，用的是extended text classifier。

具體流程是先把整篇論文按段落或語義片段切分成若干segment，判斷每個segment“更像人寫”還是“更像AI寫”。

之后匯總結果，得到整篇論文中AI生成內容的大致比例，最后標記出“人類為主”“混合寫作”“幾乎完全AI生成”“極端outlier”等類別。

為了驗證模型的準確程度，Pangram還拿2022年之前的ICLR論文和NeurIPS論文做了測試。

結果顯示，這些論文由AI生成的概率是0%（盡管有部分論文用于模型訓練）。

檢測評審內容時，使用了新模型EditLens。

這個模型除了判斷評審內容是否為AI生成外，還嘗試判斷AI在其中的參與程度。

分為五個級別：完全人工撰寫、AI潤色、中等程度AI編輯/輔助、AI重度參與、完全由AI生成。

在一個已知完全由人類撰寫的對照語料上，EditLens把純人類寫作內容錯判成AI潤色過的內容的誤報率，差不多是1/1000；錯判成中等程度AI編輯/輔助內容的誤報率是1/50000；錯判成AI重度參與的錯誤率是1/100000。

回到實驗室對ICLR 2026論文和評審的檢測，結果如下。

有15899篇評審完全由AI生成，占評審總數的21%。

此外，超過一半的評審涉及不同程度的AI參與行為。

此外，61%的ICLR 2026論文是人工撰寫的，但有199篇論文（占總數量的1%）完全由AI生成。

但實驗室提到，部分完全由AI生成的論文，可能在此前已經被ICLR拒稿了，不會出現在OpenReview中。

AI頂會審稿正陷入一種奇妙的惡性循環

Pangram表示，他們做這個事情當然是因為有個懸賞貼在（doge），但并不是為了“點人名、批判某幾個個體”，而是希望揭示一個趨勢，一種現象。

ICLR 2026高級項目主席、康奈爾大學伊薩卡分校副教授Bharath Hariharan表示，這是ICLR首次大規模遇到此類問題。

ICLR開始用自動化工具，來評估提交的論文和同行評審是否違反了會議規定。

是的，其實ICLR對論文和評審中使用AI/禁止使用AI有非常清晰和詳細的規定。

首先，如果使用了AI，必須披露，需要遵循“所有對研究的貢獻都必須得到承認”和“貢獻者應該期望……獲得對其工作的認可”的道德準則政策。

其次，ICLR作者和評審者最終對其貢獻負責，遵循“研究人員不得故意做出虛假或誤導性聲明，編造或篡改數據，或歪曲結果”的道德準則政策。

同時，ICLR還規定了作者在使用AI撰寫論文和進行評審時應遵循的指南。

總結來說，論文作者可以用AI幫自己撰寫論文，或者配合自己做研究，但必須聲明自己使用了AI，并對論文的科學性和誠信負責。

同行可以用AI潤色自己的評審，但純用AI寫評審可能違反道德準則，因為這既不是同行本人的觀點而是外部意見，也違反了保密原則。

值得一提的是，Pangram實驗室還把“AI 使用程度”和“評審分數”做了關聯。

結果呈現出來的是兩個相當微妙的趨勢：

第一，論文中AI內容越多，平均收到的審稿評分就越低。

這可能意味著現階段的AI寫作，還是無法代替人類原創的論文的質量。

第二，審稿中AI參與程度越高，給出的評分就會越高。

換句話說，AI審稿更傾向于寬松友好的態度，評分就會偏高。

此外，AI生成的審稿內容往往字數較多，但信息密度低，建設性建議少，評論很多都很空洞，要不就是一堆車轱轆話。

這和以前 “長審稿=高質量審稿” 的情況完全相反。

而且論文作者們為了更好地rebuttal，一定會很認真地看評審意見。結果可能就是讀了一些又長又沒用的屁話，攤手。

這真的很消耗同行之間的信任。

怎么判斷你得到的review是不是AI生成的？

Pangram實驗室總結了一些AI生成的評審內容的特點，供大家參考，判斷自己得到的review人工含量高不高。

先說標題。

AI生成的同行評審喜歡用粗體章節標題，標題往往由2-3個摘要標簽組成，后面會跟冒號。

一個例子：

整體內容上，AI生成的評審內容總是吹毛求疵，沒給出啥真正的分析。

這些評審基本都在關注表面問題。典型的AI評審內容包括提出讓論文作者做更多已展示的消融實驗、要求增加測試集大小或控制數量，或要求提供更多示例。

當然，最明顯的就是說一些沒啥用的片湯話，讓人聽君一席話，如聽一席話那種。

不過，一個新的問題出現了。

正如芝加哥大學經濟學家 Alex Imas最近一條推文中說的那樣：

我們是否希望在同行評審中包含人類判斷？

One More Thing

又有坑慘階躍AI研究員的蘋果論文，又有雙盲評審制度一夜失效的bug，現在還有這么大規模的AI評審內容被揪出來……

今年的ICLR真的是抓馬十足，而且開盒事件的余波還沒有完全平息。

能理解大家知道是誰給自己的論文打低分后，情感上絕對會感覺到被背刺。

但事后值得關注的重中之重，還是“如何保證雙盲評審能繼續按規則施行”，任何頂會都不要再有這種驚天bug發生。

這關乎到整個學術共同體，是大家要一起面對的問題。

就像謝賽寧說的那樣，“請務必善待我們的社區。它已經如此脆弱，請不要讓它消亡。”