哈佛研究发现 Claude 审稿全面胜过付费人类专家,人类错误率约为其 3 倍
哈佛 Gary King 团队的研究发现,Claude Opus 4.8 在 124 篇论文的审稿对比中全面胜过付费人类专家,GPT-5.5 作裁判时整体比较人类一次未胜,Claude 平均 8.7 分对人类 6.0 分。
专家级评审这类高门槛知识工作在受控实验中被模型全面反超,反对 AI 介入质量把关的主要理由正在失效。
- 影响文献核查、方案评审这类专家把关环节出现低成本高强度的替代选项,评审周期存在从月级压到天级的空间;论文同时点名风险,各团队都靠 AI 产意见时观点会趋同、往保守主流靠。
- 参考可考虑挑一个内部评审场景,用带检索的模型先出意见并逐条核对引用与事实再交付;值得给被评方留出申诉环节,处理模型过度挑剔或意见趋同的问题。