AI论文数字误归属：确定性核查器与LLM验证器

2026年10月30日，一篇发表于arXiv人工智能分类的论文提出一种确定性声明-证据核查器，用于判断AI研究智能体所写论文中的数字声明能否由上下文追溯到所声称的结果，并用数值诱饵进行校准。作者称，在标注前固定规则的情况下，该核查器对照盲审标注者达到90%以上精确率（85条中78条，Cohen's kappa=0.89），但只验证一部分声明；多数无法验证的声明仍可追溯，因此“未能验证”不等于“虚假”。同一证据下，LLM验证器能找回更多可追溯声明，但接受的误归属声明约为前者的三倍，作者建议两者配合使用。该研究对某AI研究智能体公开基准全部540条已发布判定重新分析后发现，失败集中在论文与底层工作之间的对齐问题，而非公然造假；约五分之四无支撑数值对应智能体自身文件中来自错误实验、指标或运行的值。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。