研究测试语言模型能否识别科学结论间的矛盾
原文标题：When Scientific Contradictions Are Lost in Translation
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。
研究考察语言模型在判断两项科学发现是否真正冲突时的行为。在受控 XOR 约束任务中，GPT-5.6 Sol 与 Claude Opus 5 直接处理约束时准确率高达 90% 和 96%，但换成科学论文表述后表现分化：Claude Opus 5 常偏向符合生物学预期的结论。结果表明可靠的科学验证不仅依赖形式推理，还取决于模型如何决定哪些发现可比。
- 问题
- 语言模型判断两项科学发现是否真正冲突时，会受生物学预期影响而误判。
- 方法
- 用受控 XOR 约束系统把约束翻译成不同实验室的科学报告，对比直接约束与科学表述下的选择差异。
- 结果
- 直接约束下 GPT-5.6 Sol 与 Claude Opus 5 准确率 90% 和 96%；科学表述下 Claude Opus 5 常偏向生物学预期，去除该偏好后恢复率从 27% 升至 79%（p<.001）。
- 影响
- 科学验证类产品不能只靠形式推理，需显式控制模型对「哪些发现可比」的先验偏好。
深读 · 结论先行AI 生成展开看要点与影响 ↓
约束直述时GPT-5.6 Sol与Claude Opus 5准确率90%和96%，换成论文表述后Claude常偏向生物学预期。
- •受控任务构造不可满足的XOR约束系统，并翻译成不同实验室的科学报告表述
- •约束直述时GPT-5.6 Sol与Claude Opus 5分别以90%和96%恢复最佳支持分配
- •科学论文表述下Claude Opus 5常偏好符合生物学预期的分配；移除该偏好后恢复率从27%升至79%（p<.001）
- •同一生物学偏好记录附带形式化请求与显式配对设计线索时，恢复率达92%（p<.001）
- •GPT-5.6 Sol对上述变化不敏感，两项对应变化均未达统计显著
为什么重要：科学验证的可靠性不只取决于形式推理能力，还取决于模型如何判断哪些发现可比——这对用LLM做文献矛盾检测的流程是直接风险。
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。