GPT-4提出的超50%觀點與至少一位人類評審員一致；以及超過82.4%的作者都發現GPT-4給的意見很有幫助。那麼，這項研究究竟能為我們帶來何種啟示呢？結論是：高品質的人類回饋仍然不可取代；但GPT-4可以幫助作者在正式同儕審查前改進初稿。具體來看。實測GPT-4論文評審水平為了證明GPT-4的潛力，研究人員首先用GPT-4創建了一個自動pipeline。它可以解析一整篇PDF格式的論文，提取標題、摘要、圖表、表格標題等內容來建立提示語。然後請GPT-4提供評審意見。其中，意見和各頂會的標準一樣，共包含四個部分：研究的重要性和新穎性、可以接受的潛在原因或被拒絕的理由以及改進建議。具體實驗從兩方面展開。首先是定量實驗：讀已有論文，產生回饋，然後與真實人類觀點系統地比較出重疊部分。在此，團隊從Nature正刊和各大子刊挑選了3096篇文章，從ICLR機器學習會議（包含去年和今年）挑選了1709篇，共4805篇。其中，Nature論文共涉及8745條人類評審意見；ICLR會議涉及6506條。GPT-4給出意見之後，pipeline就在match環節分別提取人類和GPT-4的論點，然後進行語義文本匹配，找到重疊的論點，以此來衡量GPT-4意見的有效性和可靠性。結果是：1.GPT-4意見與人類評審員真實意見有顯著重疊整體來看，在Nature論文中，GPT-4有57.55%的意見與至少一位人類評審員一致；在ICLR中，這個數字則高達77.18%。再進一步仔細比較GPT-4與每位評審員的意見後，團隊又發現：GPT-4在Nature論文上和人類評審員的重疊率下降為30.85%，在ICLR上降至39.23%。但這與兩位人類審查者之間的重疊率相當：人類在Nature論文上的平均重疊率為28.58%；在ICLR上為35.25%。此外，他們也透過分析論文的等級等級（oral、spotlight、或是直接被拒絕的）發現：

對於水平較弱的論文來說，GPT-4和人類審查者之間的重疊率更高，可以從上面的30%多升到近50%。這說明，GPT-4對水準較差的論文的鑑別能力很高。作者也因此表示，那些需要更實質修改才能被接收的論文有福了，大夥兒可以在正式提交前多試試GPT-4給出的修改意見。2、GPT-4可以給非通用回饋所謂非通用回饋，即GPT-4不會給予一個適用於多篇論文的通用評審意見。在此，作者們衡量了一個「成對重疊率」的指標，結果發現它在Nature和ICLR上都顯著降低到了0.43%和3.91%。這說明GPT-4是有針對性的。3、能夠在重大、普遍問題上和人類觀點一致一般來說，人類回饋中較先出現的意見以及多位評審員都提及的意見，最可能代表重要、普遍的問題。在此，團隊也發現，LLM更有可能識別出多位評審員一致認可的常見問題或缺陷。也就是說，GPT-4在大面上是過得去的。4.GPT-4給的意見更強調一些與人類不同的面向研究發現，GPT-4評論研究本身意義的頻率是人類的7.27倍，而評論研究新穎性的可能性是人類的10.69倍。以及GPT-4和人類都經常建議進行額外的實驗，但人類更關註消融實驗，GPT-4更建議在更多數據集上嘗試。作者表示，這些發現表明，GPT-4和人類評審員在各方面的重視程度各不相同，兩者合作可能帶來潛在優勢。定量實驗之外是使用者研究。在此共包括308位來自不同機構的AI和計算生物學領域的研究員，他們都在本次研究中上傳了各自的論文給GPT-4進行評審。研究團隊收集了他們對GPT-4評審意見的真實回饋。整體而言，超過一半（57.4%）的參與者認為GPT-4產生的回饋很有幫助，包括給予一些人類想不到的點。以及82.4%的調查者認為它比至少一些人類評審員的回饋更有益。此外，還有超過一半的人（50.5%）表示，願意進一步使用GPT-4等大模型來改進論文。其中一人表示，只需要5分鐘GPT-4就給了結果，這個回饋速度真的非常快，對研究人員改善論文很有幫助。當然，作者指出：GPT-4也有它的限制。最明顯的是它更專注於“整體佈局”，缺少特定技術領域（例如模型架構）的深度建議。所以，如作者最後總結：人類評審員的高品質回饋還是不可或缺，但大家可以在正式評審前拿它試試水，彌補遺漏實驗和建造等方面的細節。當然，他們也提醒：正式評審中，審稿者應該還是獨立參與，不依賴任何LLM。一作都是華人本研究一作共三位，都是華人，都來自史丹佛大學電腦科學學院。他們分別是：梁偉欣，該校博士生，也是史丹佛AI實驗室（SAIL）成員。他碩士畢業於史丹佛電機工程專業，本科畢業於浙江大學計算機科學。Yuhui Zhang，同博士生在讀，研究方向為多模態AI系統。清華本科畢業，史丹佛碩士畢業。曹瀚成，該校五年級博士在讀，輔修管理科學與工程，同時加入了史丹佛大學NLP和HCI小組。此前畢業於清華大學電子工程學系大學部。