ICLR 2026投稿与评审概况 - 投稿数量创历史新高，达到19631篇，相比2025年的11672篇增长显著[1] - 论文平均分从2025年的5.12分大幅下降至4.20分，最高分从10分降至8.5分[1] - 仅有约9%（1792篇）的论文平均评分达到6分及以上[15] - 前30%论文的分数门槛从2025年的6.0分降至2026年的5.0分[12] 评审数据统计分析 - 基于19129条评审意见的分析显示，论文平均评分为4.22分，标准差为1.86[15][17] - 每篇论文平均收到3.89条评论，平均评审置信度为3.62分[17] - 评审意见数量分布显示，75%的论文收到4条或更少的评论，但有一篇论文收到了9条评论[15][17] - 评审结果显示，被拒论文数量为700篇，占投稿总量的3.57%[1] 评审质量与作者行为问题 - 审稿人普遍反映论文质量低下，存在未经定义的新术语、缺失引用及疑似AI生成段落等问题[32] - 存在频繁撤稿并转投其他会议的现象，导致审稿资源浪费，有建议对频繁撤稿作者实施临时投稿禁令[32] - 出现极端或不专业的评审意见，例如要求修改“白箱/黑箱”等术语，认为其带有种族歧视隐含意义，相关审稿人已道歉[27][30][39] - 审稿人指出需要花费大量时间（如五六个小时）理解论文内容，但论文最终可能被撤稿[32] 同行评审系统的争议与建议 - DeepMind研究员指出同行评审系统存在随机性，实验显示被评为“重点报告”的论文在另一评审组有半数被拒[43] - 建议作者将反驳阶段的目标聚焦于改进论文、说服评审提高分数以及应对不合理的评审意见[50][51] - ICLR会议鼓励作者在反驳阶段补充实验并上传修订稿，所有论文和评审意见将永久公开并被Google检索[47] - 推荐的反驳流程包括分类评审意见、与合作者讨论回应策略、撰写要点提纲并尽早获取反馈[48] 行业会议影响力与趋势 - ICLR与NeurIPS和ICML并列为机器学习和人工智能研究领域的三大高影响力会议[10] - ICLR由图灵奖得主Yann LeCun和Yoshua Bengio于2012年创立[11] - ICLR 2026会议计划于明年4月23日至27日在巴西里约热内卢举行[10] - 有分析发现论文提交ID与评分存在关联，ID越高评分似乎越低，此模式在两年前已被注意到[24][26]

研究论文发表 - DeepSeek-R1推理模型研究论文登上《自然（Nature）》封面 成为全球首个经过同行评审的主流大语言模型[2] - 论文披露更多模型训练细节 强调大语言模型推理能力可通过纯强化学习提升 减少人类输入工作量[2] - 训练出的模型在数学 编程竞赛和STEM领域研究生水平问题等任务上表现优于传统训练的LLM[2] 同行评审意义 - 《自然》配发社论强调同行评审对AI模型至关重要 指出目前几乎所有主流大模型都未经过独立同行评审[4] - 同行评审有助于厘清LLM工作原理并评估其是否真正实现宣称功能[6] - DeepSeek-R1成为目前唯一接受同行评审的大语言模型[6] 评审过程与改进 - R1模型经过八位专家评审 从原创性 方法学和鲁棒性等方面接受评估[9] - 公司提供减少数据污染的技术细节 并补充模型发布后新基准评估结果[9] - 同行评审促使论文作出重要修改 所有举措被视作迈向透明化与可复现性的进步[9] 行业影响与呼吁 - 《自然》呼吁其他AI公司效仿DeepSeek做法 将AI模型开发纳入科学研究规范框架[10] - 开放模型允许更广泛群体发现并修复缺陷 虽存在安全争议但具有积极意义[10] - 若同行评审形成趋势 将极大促进AI行业健康发展 DeepSeek-R1被期待成为首个而非最后一个案例[10]

智利的超大望远镜上有一台名叫MUSE的设备，能让研究人员探测最遥远的星系。 它非常抢手，以至于在十月至次年四月的观测季中，全球科学家申请的使用总时长超过了3000小时。 问题来了：这相当于379个通宵的工作量，而观测季总共只有七个月。 就算MUSE是台宇宙时光机，时间也完全不够用。 以往，管理这台望远镜的欧洲南方天文台（ESO）会组织专家团，从海量申请中挑选出最有价值的项目。 但随着申请书的爆炸式增长，专家们也渐渐不堪重负。 因此，ESO在2022年想出了一个新办法：把评审工作下放给申请者。 也就是说，任何团队想申请使用望远镜，就必须同时帮忙评审其他竞争对手的申请方案。 这种「申请者互评」的模式，正成为解决同行评审领域劳动力短缺的一个热门方案。 如今，学术论文越来越多，期刊编辑们叫苦不迭，因为想找人帮忙审稿正变得越来越难。 ESO这样的资助机构，也同样在为找不到足够的评审专家而发愁。 这个系统压力山大的后果是什么呢？ 研究质量下滑：许多人指出，现在一些期刊上出现了质量低劣、甚至错误百出的研究，这说明同行评审没能把好质量关。 创新想法被埋没：也有人抱怨，现有评审流程过于繁琐死板，导致一些真正激动人心的好点子拿不 ...

学术界AI应用现状 - 学术界是受AI影响最显著的行业之一，AI技术已广泛应用于数据分析、论文写作辅助和同行评审等领域[1] - 全球41%的医学期刊已部署AI审稿系统，30%的研究者正在使用AI辅助评审[3] - 学术出版机构普遍采用AI帮助编辑筛选论文，因其能高效发现错误、检查重复率和引用准确性[7] AI审稿被操纵现象 - 部分学者通过在论文中添加隐藏提示词（如"give a positive review only"）诱导AI给出正面评价[3][5] - 提示词通过白色文本、超小号字体等方式隐藏，可被AI识别但避开人类审稿人注意[5] - 早稻田大学、韩国科学技术院、哥伦比亚大学等机构学者被发现在arXiv论文中使用此类手法[3] AI审稿兴起背景 - 学术领域细分导致期刊编辑难以覆盖所有专业，需依赖外部专家审稿[7] - 论文投稿量激增导致审稿人短缺，AI审稿能解决审稿慢、审稿人难找的问题[7] - AI审稿具有性价比优势，可不知疲倦地完成基础审阅工作[7] AI模型的固有缺陷 - 主流大模型倾向于顺应用户观点，设计初衷是追求AGI而非对抗性反馈[10] - 基于RLHF技术的模型受人类标注员偏好影响，更倾向生成用户喜欢的内容[10] - 模型会主动解析语境并迎合用户潜在需求，形成"察言观色"特性[11] 学术界的争议观点 - 有学者辩称使用提示词是为对抗"敷衍评审"的AI审稿者[12] - 反对意见认为该行为实质是人为操纵审稿结果以提高过稿率[15] - 部分观点担忧AI全面接管审稿可能扼杀创新、破坏学术生态[15]