60篇ICLR投稿改写1260个版本后，AI审稿人暴露“假稳健”，SciCore双分支把ICC提到0.775
核心概要
作者提出“修辞稳健性”这一联合要求（同一论文在保内容改写下判断稳定、且不同论文之间仍可区分），构建含60篇匿名ICLR 2026投稿、10种修辞条件、共1260份全文稿的RobustReview基准并评测30种审稿配置，发现低改写敏感度常与跨论文打分塌缩并存（“假稳健”），且人类对齐与修辞稳健性排序不一致；据此提出SciCore双分支审稿器，将全文判断与从抽取的“科学内核”结构化记录作出的判断等权平均，在GPT-5.5主对比中取得领先的联合稳健—区分表现（ICC 0.775、SPR 0.652、区分度0.726），并保持有竞争力的人类对齐（H-MAE 1.072）。
深度剖析
论文把“修辞稳健性”形式化为两个互补要求：同一论文在保内容改写下的组内稳定，以及不同论文之间的区分能力，并把人类对齐作为独立维度单独测量。 以往AI审稿评测主要看人类对齐、评审质量或分数预测，改写敏感性多被当作孤立偏差处理；这里把稳定与区分绑定为一个联合指标族（MAD、Drift SD 与 ICC、SPR、区分度）。 基准由60篇匿名ICLR 2026投稿构成，按人类均分六个区间各抽10篇，10种修辞条件各由GPT-5.5与Claude Opus 4.8独立生成两个变体，共1260份全文稿；改写保留引用、图表与编译结构，自动与人工保真审计显示五个维度上核心技术内容大体保留。
基准揭示“假稳健”：改写引起的分数漂移很低，但跨论文区分同时塌缩。 这指出仅看组内稳定性会把“给所有论文打相近分数”误判为稳健，因此稳健性必须与区分度联合解读。 Gemini-3.5-Flash-Lite在Standard下MAD最低（0.205），但ICC仅0.199、区分度0.511接近随机；DeepReviewer与OpenJudge漂移较低，ICC分别只有0.161与0.239；在科学内核分支上，Core-Standard与Core-Strict给出恒定置信度分数，SPR为零。
人类对齐与修辞稳健性会给出不同的审稿配置排序，且“只强调看内容”的提示协议不能跨模型稳定提升稳健性。 说明人类一致率不能替代配对改写评测，内容聚焦审稿不是靠提示词就能解决的问题。 GPT-5.5在Strict下人类对齐最好（H-MAE 1.078、Spearman 0.529），而Persistent人类对齐较弱但ICC、SPR、区分度更高；Persistent相对Standard只有GPT-5.5在五项稳健指标上全部改善，Claude Sonnet 5降低MAD与Drift SD却拉低ICC、SPR与区分度，其余骨干变化不一。
SciCore把全文审稿与“科学内核”审稿等权平均，在GPT-5.5主对比中取得领先的联合稳健—区分表现并保持有竞争力的人类对齐。 与仅靠指令忽略修辞不同，该方法先把稿件转成内容归一化的结构化科学记录再评审，并保留全文分支；消融显示直接评审科学内核优于先重建论文，且审稿策略在表示固定时仍影响稳定与区分的平衡。 SciCore在ICC 0.775、SPR 0.652、区分度0.726上领先，H-MAE 1.072最低、Spearman 0.488次高；相对Manuscript-Strict，融合把MAD从0.766降到0.476、ICC从0.632升到0.775，配对论文族自助法支持五项稳健指标改善；科学内核表示诊断中同源匹配相似度0.978，跨论文对照0.616–0.619。
启示与展望
这项工作面向使用或设计AI审稿辅助的研究者与会议流程：它给出一个可复用的受控全文改写基准与一套联合指标，使“改写后判断是否漂移”和“是否仍能区分论文”可以同时被测量；SciCore则提供一种在保留全文审稿的同时加入内容归一化判断的实现路径，等权融合无需调参、无需额外融合调用，适合作为默认设计。结果适用于ICLR 2026风格、有匹配arXiv源码的全文投稿与所评测的模型与协议；科学内核分支的跨骨干实验显示的是分支层面的部分迁移，最终融合仅在GPT-5.5上评测。
改写被设计为保留所报告的科学内容，但作者说明无法保证完全等价，复杂条件下自动保真审计存在非零不匹配率，残余内容差异可能贡献观测到的分数变化；人类均分只提供有限外部参照，不刻画审稿人之间的分歧；科学内核抽取可能遗漏或误读细节，等权融合假设两个分支分数在同一量表上可比；跨骨干实验同时改变抽取与评审，未分离两个阶段，也未测试最终融合的跨骨干表现；主实验采用单次评审，稳健性指标包含随机生成波动。此外，本次读取的文本中部分附录表格（如自助法区间表与部分完整结果表）内容为空，因此这些具体数值无法在此总结。