★ 3
论文提出 MLR 框架与基准，用 LLM 辅助同行评审检测错误
针对科学出版激增带来的评审压力，论文提出以验证为核心的 LLM 辅助同行评审视角，强调错误检测。作者构建可扩展基准，通过向会议论文合成插入错误来评测评审系统识别逻辑矛盾的能力，并提出多层评审 MLR 框架，先深入理解稿件再生成评审，提升 token 效率并保持与人类评分一致。
arXiv cs.AI24 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
针对科学出版激增带来的评审压力，论文提出以验证为核心的 LLM 辅助同行评审视角，强调错误检测。作者构建可扩展基准，通过向会议论文合成插入错误来评测评审系统识别逻辑矛盾的能力，并提出多层评审 MLR 框架，先深入理解稿件再生成评审，提升 token 效率并保持与人类评分一致。
研究者提出 B-CARE，一个预测盲的框架，仅凭目标与文本让固定 LLM 验证器为所有候选立场标签打有序证据分，再对比最强替代类证据与预测类证据构建风险分，可跨多个基座模型复用。在四个立场基准、三个异构 LLM 共 5206 条样本上平均 AUROC 0.735，最高风险 20% 预测中捕获 41…