12:12arXiv cs.LG@Sy-Tuyen Ho, Minghui Liu, Huy Nghiem, Furong Huang精选研究人员推出了SoundnessBench基准测试,包含1,099个从ICLR投稿中重建的机器学习研究提案,并附有评审员的合理性评分。测试了12个前沿大语言模型后发现,它们普遍存在乐观偏差,在标准提示下常将低合理性提案评为合理。即使采用激进提示,也只是将错误从假阳性转为假阴性。控制实验排除了公共语料污染、表面特征等单一干扰因素。结果表明,当前LLM尚不能可靠地作为科学严谨性的独立初审评估者。论文基准测试LLM评估科研自动化乐观偏差ICLR推荐理由:这个基准测试戳中了AI科研助手的关键短板——无法判断研究想法的可行性,做自动化科研或依赖LLM审稿的团队值得关注,看完会重新评估AI在科研流程中的角色。原文