人工智能同行评审的效果如何？由 100 个植入错误构建的基准

原文：How Well Does AI Peer Review Work? A Benchmark Built from 100 Planted Errors

一百个已知错误被植入 10 篇开放获取的心理学论文中，然后修改后的论文通过前沿模型和两个商业人工智能审查工具进行运行。最好的单一系统捕获了 100 个错误中的 71 个，而最差的单个系统捕获了 30 个。汇集每个系统的输出捕获了 93 个。模型在它们发现的错误中仅部分相关，这使得集成成为寻找错误的重要杠杆。

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。