LLM评审与人类同行评审对齐程度如何

研究者让OpenAI GPT-5.4、Google Gemini 3.1 Pro Preview和Anthropic Claude Opus 4.6评审300篇ICLR 2026投稿（oral、poster、rejected各100篇），与人类评审和最终决定比较。三个模型都能区分被接收和拒稿的论文，但都无法复现人类评分中oral与poster的区分。Gemini给出的分数系统性偏高，OpenAI和Claude对被拒和poster论文更接近人类，但对oral论文更苛刻。人类评审更常提出计算效率问题，LLM则更常指出缺少基线对比。