Tampered ML 基准：评测 LLM 判断 ML 研究缺陷能力
原文标题：Tampered ML: Evaluating LLM Judgment of Machine Learning Research
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Tampered ML 基准，含 1858 组条目对，每组由已发表论文重构的实验提案与引入针对性方法缺陷的微改反事实组成，要求模型判断哪个更严谨。人类验证估计 86% 条目有效。前沿模型高于随机但远不可靠，Opus 5 准确率 77.9%，且对呈现顺序高度敏感，偏好看似更具体透明的缺陷设计。
- 问题
- 评测 LLM 能否识别 ML 研究提案中的方法缺陷。
- 方法
- 构建 1858 组条目对，每组为已发表论文实验提案与引入针对性缺陷的微改反事实，要求模型判断哪个更严谨。
- 结果
- 人类验证 86% 条目有效；最强 Opus 5 准确率 77.9%，且对呈现顺序高度敏感。
- 影响
- 想用 LLM 自动做研究评审或对齐研究还不可靠，模型会偏好看似具体透明的缺陷设计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Tampered ML含1858组条目对，最强模型Opus 5准确率77.9%，且对呈现顺序高度敏感。
- •基准含1858组条目对，每组由已发表论文重构的实验提案与引入针对性方法缺陷的微改反事实组成。
- •模型须在两种呈现顺序下判断哪个提案方法更严谨；人类验证估计86%条目有效（95% CI：81-91%）。
- •前沿模型高于随机但远不可靠，Opus 5准确率77.9%。
- •模型对呈现顺序高度敏感，且偏好看似更具体、透明或常规的缺陷设计。
为什么重要：若要用系统自动化对齐研究，识别研究缺陷是硬门槛；77.9%与顺序敏感说明当前模型尚不足以承担这类难以监督的评审任务。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。