不用改实验，也不用补数据。只需花 0.25 美元，把论文的 LaTeX 源码丢给大模型“洗”上一遍，重新编译成 PDF 后提交给 AI 审稿人，分数就能原地起飞。
斯坦福大学等研究团队在一项刚被 ICML 2026 录用的研究中指出，这种靠洗稿刷分的系统级漏洞已经真实发生。
研究者把这种操作称为 Paper Laundering，也就是论文洗稿。被这样处理后，研究本身并没有变强，只是措辞、结构和行文方式更贴合 AI 审稿人的喜好。
作者团队随机选取了 60 篇 ICLR 2026 在审论文，测试了 4 种零样本改写提示、2 种洗稿模型以及 3 种 AI 审稿模型。在 24 组实验条件下，AI 审稿分数平均上涨了 0.45 分。
顶会投稿越来越多，审稿人越来越不够用，AI 审稿自然成了一个必然选项。
但这篇论文却指出，现阶段的 AI 审稿，不只是容易被低成本文本改写带偏，还可能将整个学术圈拉进高度同质化的坑里。
论文标题：
Stop Automating Peer Review Without Rigorous Evaluation
论文链接：
http://arxiv.org/abs/2605.03202
为什么只是改文字，就能影响专业打分？词频统计给出了答案。
大模型在重写时，会明显增加两类词：一类是表示不确定性的对冲词，比如 may、suggests，出现频率增加了 78.2%；另一类是强化语气、强调稳健性的词，比如 robust、strong，增加了 45.2%。这种重写，本质上是在迎合大模型自身的文本偏好。
洗稿前后不同类型词汇的平均新增、删除数量与变化比例
人工复核中还发现，洗稿过程甚至会生成虚假的科学内容。部分论文被凭空添加了根本不存在的消融实验参数分析，或者为并未进行的实验补上一段看似合理的通用解释。
这说明，当前 AI 审稿人很容易被表层文本修饰带偏，无法穿透文本去评估底层的科学贡献。
