对抗性重新包装:仅修改呈现层即可欺骗AI同行评审

HuggingFace Daily Papers(社区热门论文)·2026-06-11 08:00·80天前
AI 导读

研究提出对抗性重新包装攻击,在不改动科学证据(方法、实验、数据等)的前提下,仅修改摘要、贡献定位、相关工作、讨论和叙事结构等呈现层内容,并利用AI审稿人反馈进行闭环搜索。在三种主流AI审稿系统上,攻击成功率达75.1%,平均得分提高+1.21/10。策略中,相关工作重定位和分析性讨论扩展等结构性改动效果显著优于表面编辑。分析揭示两种失败模式:AI审稿人更易被亮点打动而非被说服,且会将“看起来解决了限制”与“实际解决”相混淆。研究发布了无污染滚动基准和攻击框架用于测试内容锚定性。

HuggingFace Daily Papers(社区热门论文)
精选
76AI 编辑部评分,满分 100

对抗性重新包装:仅修改呈现层即可欺骗AI同行评审

2026-06-11 08:00· 80天前
AI 导读

研究提出对抗性重新包装攻击,在不改动科学证据(方法、实验、数据等)的前提下,仅修改摘要、贡献定位、相关工作、讨论和叙事结构等呈现层内容,并利用AI审稿人反馈进行闭环搜索。在三种主流AI审稿系统上,攻击成功率达75.1%,平均得分提高+1.21/10。策略中,相关工作重定位和分析性讨论扩展等结构性改动效果显著优于表面编辑。分析揭示两种失败模式:AI审稿人更易被亮点打动而非被说服,且会将“看起来解决了限制”与“实际解决”相混淆。研究发布了无污染滚动基准和攻击框架用于测试内容锚定性。

推荐理由

这篇论文戳破一个令人不安的真相:AI 审稿人可以被纯粹的文字包装欺骗,不碰证据就能大幅拉升评分。它把论文呈现本身变成了一枚可优化的攻击面,做学术出版与 AI 评估的人都要正视这个结构性缺陷。

正文 · AI 翻译

徐扬

沙志舟

李俊博

余健

孙逸凡

赵马修

方金瑞

郭欣悦

吴一宁

胡旭

罗逸夫

刘强

王张扬

德克萨斯大学奥斯汀分校

伊利诺伊大学厄巴纳-香槟分校

德克萨斯大学达拉斯分校

项目网站

摘要

随着AI生成的审稿意见从实验性工具逐步融入同行评审基础设施,大多数鲁棒性担忧都集中在显式攻击上,例如隐藏指令和提示词注入。我们研究了一种更困难且更具政策相关性的失效模式:没有隐藏文本,没有提示词注入,也没有对方法、实验、图表、公式、证明或数值结果进行任何修改。攻击者仅修改呈现层面的内容,例如摘要、贡献定位、相关工作、讨论和叙事结构。我们引入了对抗性重新包装:一种闭环攻击方法,利用AI审稿人的反馈来搜索呈现层面的修订,同时保持科学证据不变。在三个主流AI审稿系统上,对抗性重新包装实现了75.1%的攻击成功率和平均+1.21/10的分数提升。这一效果无法用普通的散文润色来解释。我们还揭示出,那些改变审稿人对论文解读方式的策略,例如重新定位相关工作和扩展分析性讨论,其效果显著优于局部润色、表格格式调整和算法框等表面编辑。

我们的分析揭示了两个更深层次的结构性失效模式。首先,AI审稿人更容易被打动而非被说服:突出优点能可靠地提升感知价值,而试图消解弱点则常常适得其反。其次,AI审稿人可能会混淆“看起来解决了某个局限”与“实际解决了该局限”,从而让未经修改的证据被重新解读为更强的科学贡献。这些结果表明,部署风险不仅在于恶意的隐藏指令,还在于论文呈现本身已成为一个可优化的表面。我们发布了一个无污染滚动基准测试和攻击框架,用于测试AI审稿人在仅修改呈现内容的情况下,是否仍能锚定于科学内容本身。

“我们承诺,这篇论文并未经过对抗性包装。若与某个更清晰、框架更完善的版本存在任何雷同,纯属巧合。” ☺ ——作者

1 引言

科学同行评审是科学发现获得认可与可信度的基石。然而,投稿量的持续增长以及合格审稿人的相对短缺,正使这一体系承受前所未有的压力[shah2022challenges, kim2025position, yang2025paper, lin2026stop]。在此背景下,大语言模型生成的评审意见因其成本低、效率高且输出看似专业,正迅速进入同行评审流程。AAAI 2026 已在其官方评审流程中试用大语言模型生成的评审意见;ICLR 2025 部署了基于 AI 的评审反馈智能体;各大 AI 会议也正在不同程度地探索评审自动化[ biswas2026ai, thakkar2026large, liang2024monitoring, emi2025pangram]。这一趋势引发了一个关键问题:在将 AI 审稿人用于科学评估之前,我们是否充分理解了其被操纵的风险?

Refer to caption
图 1:论文框架概览。左图:我们提出,对仅基于呈现形式的评审游戏行为的抵抗能力,是 AI 评审自动化的必要条件,并将论文来源划分为三个编辑区域以约束攻击范围。中图:对抗性包装攻击系统通过闭环流程,在保持科学内容不变的前提下,迭代搜索能够改善评审结果的呈现层面编辑。右图:实验揭示了两种核心失效模式:优势-弱点不对称性(更容易令人印象深刻,而非令人信服)以及策略有效性梯度(叙事重构远比表面润色有效)。

当前关于 AI 审稿人鲁棒性的讨论,主要聚焦于显式攻击,例如提示词注入和隐藏文本 [ye2024we]。在这些攻击中,攻击者将不可见的指令嵌入论文中,以操纵审稿输出。然而,这些攻击形式明显违反规定,已被大多数会议明确禁止,一旦被发现将面临直接退稿。我们认为,一种更微妙且与政策相关的风险尚未得到充分关注:作者可以通过仅修改呈现层面的内容(包括摘要、贡献陈述、相关工作、讨论和叙事结构),同时保留方法、实验、图表、公式和数值结果不变,来系统性地提升 AI 审稿人的评分。这些编辑是合法的、可见的,属于正常的学术写作实践范畴,且不违反任何现行会议政策,因此远比提示词注入更难防范。

基于这一观察,我们提出,抵抗仅针对呈现层面的审稿操纵,应成为 AI 审稿自动化的一个必要条件:当科学内容保持不变时,AI 审稿人的评分不应仅仅因为呈现方式被调整而系统性地变得更有利。审稿人当然可以认可更清晰的写作,但呈现层面的优化不应被利用来系统性地夸大一篇论文的感知科学价值。为检验这一条件,我们引入了对抗性重新包装:利用 AI 审稿人自身的反馈作为优化信号,我们迭代地搜索那些能在保持科学内容不变的前提下提升评分的呈现策略。

我们的实验表明,当前的 AI 审稿人未能满足这一条件。当 AI 审稿人系统性地奖励那些优化呈现形式而非真正提升科学贡献的行为时,这会激励作者从改进研究转向优化论文的重新包装,从而在 AI 审稿大规模部署时扭曲同行评审的激励机制。更令人担忧的是,这一漏洞在多个主流审稿模型和审稿模板中均一致出现,表明它并非某个单一模型可修复的缺陷,而是当前 AI 审稿人的结构性不足。

在本文中,我们做出了四项贡献:

  1. 我们提出,抵抗仅针对呈现形式的审稿作弊行为是 AI 审稿自动化的一个必要条件,并引入对抗性重新包装作为该条件的一种具体失效模式:在保持科学内容不变的情况下,对呈现层面的编辑进行闭环迭代搜索,在三个主流模型和不同审稿模板上实现了 75.1% 的攻击成功率,平均得分提升 +1.21(§5.1)。

  2. 我们揭示了 AI 审稿评估机制中多维度的结构性缺陷,包括优势-劣势不对称性(§5.2):通过突出优势来打动 AI 审稿人比成功反驳批评意见更容易,而后者甚至可能适得其反;以及策略有效性梯度(§5.3):不同的呈现策略在攻击有效性上表现出显著差异,表明这是一种系统性而非随机性的漏洞。

  3. 我们利用一个自动化的多阶段过滤流程,构建了一个无污染、滚动更新的数据集,包含近期未发表的 arXiv 预印本及其 LaTeX 源码和 PDF,确保具有代表性的覆盖范围并减少测试集污染,同时紧密模拟真实的 AI 辅助同行评审工作流程(§4)。

  4. 我们提出了一个对抗性重新包装框架,该框架结合了全论文呈现层面的编辑、信号驱动的策略选择,以及利用 AI 审稿人反馈进行的闭环迭代优化(§3)。该框架与数据集共同构成了一个可复用的基准测试,用于检验 AI 审稿系统的鲁棒性。

2 相关工作

AI 审稿系统与评估。大量研究探索了使用大语言模型生成审稿意见 [chang-etal-2025-treereview, idahl2024openreviewer, zeng2025reviewrl, wu2026aigoodpeerreviewer]。评估研究一致发现,AI 审稿存在系统性分数膨胀、关注点趋同以及与人类审稿人一致性低的问题 [shin-etal-2025-mind, russo2025ai, akella2025prereviewpeerreviewpitfalls, li2025llm, li2025diagnosing, panickssery2024llm],并且 AI 生成的审稿意见缺乏人类审稿人视角的多样性 [baumann2026stop, vasu2025justice]。这些研究描述了 AI 审稿的质量局限性,但尚未系统性地检验 AI 审稿分数是否可以通过呈现层面的编辑进行操纵。

提示词注入与隐藏文本攻击。现有关于 AI 审稿鲁棒性的研究主要关注显式攻击:在论文中嵌入不可见的指令以操纵审稿输出 [ye2024we, zhou2025give, zhu2025your]。此类攻击已被大多数会议明确禁止,一经发现即面临直接拒稿。这些研究揭示的是可修补的安全漏洞,而非 AI 审稿评估机制本身的结构性缺陷。

表层文本扰动。lin-etal-2025-breaking 将传统的 NLP 对抗性攻击(同义词替换、风格迁移等;jin2020bert)应用于 AI 审稿场景,针对审稿人关注的文档区域进行扰动,证明表层文本修改可以有效提升分数。然而,这些攻击属于非语义扰动,仅能证明分数可被影响,并未深入分析评估机制失效的原因。

论文改写与洗稿。与我们工作最相关的研究涉及论文文本的语义级改写。kaneko2026paraphrasing 利用审稿分数作为反馈信号,通过多轮搜索迭代优化摘要的释义,以提升分数,但该方法仅修改摘要,仅使用标量分数,且每篇论文需要超过两千次 API 调用,成本极高。baumann2026stop 提出了论文洗稿的概念,证明了对整篇论文进行零样本 LLM 改写可以在不违反会议政策的情况下提升 AI 审稿分数,但不受约束的全篇改写并未区分科学内容与呈现形式,且分数提升有限。这两项工作都停留在证明攻击可行性的层面,没有分析攻击成功背后的机制 [jiang2025badscientist]。我们的对抗性重组方法不仅在攻击效果上优于这些方法(75.1% 的攻击成功率,平均分数提升 +1.21),还通过严格的呈现层面约束(科学内容保持不变)和闭环迭代优化,系统地揭示了 AI 审稿评估机制中的结构性缺陷,包括优势-劣势不对称性以及不同呈现策略在效果上的显著差异。

3 方法

为了测试 AI 审稿人是否满足 §1 中定义的鲁棒性条件,我们的对抗性重组系统结合了三个关键设计选择:在保持科学内容不变的约束下进行全篇论文的呈现层面编辑(§3.1)、带有最佳版本追踪的闭环迭代优化(§3.2),以及从多样化策略池中进行信号驱动的策略选择(§3.2)。§3.3 定义了在攻击过程中及最终评估时使用的评估协议。

3.1 威胁模型

攻击者在 LaTeX 源码层面进行操作:将源码(编译为 PDF)编辑成修改版(编译为 PDF),然后提交给 AI 审稿人。攻击者以黑盒方式多次查询 AI 审稿人,无法访问其内部提示词或模型参数。攻击仅限于呈现层面的编辑:攻击者可以改变论文的框架、组织和叙述方式,但必须保留其科学内容。我们将论文源码划分为三个编辑区域。自由区(叙述框架)包括摘要、引言、相关工作、讨论和结论;这些部分可以重写,但不能引入原论文未支持的科学主张。受限区(技术阐述)包括方法描述和结果分析;这些部分可以改写或重新组织,但其事实内容必须保留。固定区(科学证据)包括实验数据、表格、图表、公式、证明和数值结果;这些内容不可更改。这种划分遵循从框架到阐述再到证据的自然梯度,反映了论文的呈现方式与其贡献内容之间的区别。

设 表示所有保留科学内容的呈现层面修改的集合。攻击者求解:

(1)

其中 表示论文在审稿模板 下的汇总审稿结果(由 份独立审稿组成), 衡量原始审稿与修改后审稿在评分和内容两个维度上的有利程度变化。由于审稿人是一个黑盒随机系统,且编辑空间由离散的自然语言修改组成,我们通过 §3.2 中描述的迭代攻击系统来求解该优化问题。

3.2 攻击系统

为求解式 (1) 中的优化问题,我们设计了一个闭环迭代攻击系统(图 1)。该系统将 AI 审稿人视为黑盒反馈源,反复查询审稿人,从审稿意见中提取结构化信号,根据这些信号选择策略以执行呈现层面的编辑,并仅保留能够改善审稿结果的修改。

多轮攻击循环。攻击首先对原始 PDF 生成独立评审,以建立基线评估。每一轮后续攻击执行六个阶段:画像、规划、编辑与编译、评审、评估、更新。系统维护一个当前最佳版本,以及一个持久化历史记录,其中记录了前几轮的评审信号、所选策略、编辑计划和评估结果。每一轮基于当前最佳版本提出候选修订,而非盲目累积所有先前的编辑,从而使系统能够从失败的修改中恢复。

信号驱动的策略选择。在画像阶段,一个画像子智能体读取评审文本和论文原文,以提取结构化信号。每个信号对应评审中反复出现的评审者观点,并标注了其出现频率和严重程度。在规划阶段,主智能体将未解决的信号映射到预定义策略池中的策略:高严重性信号必须得到明确回应,已解决的信号不再被重新处理,并且会避免使用先前适得其反的方向。评审者明确认可的优点被标记为受保护区域,后续编辑不得削弱这些优点。该机制使每一轮的编辑都基于评审者的具体反馈,而非基于“提升写作质量”这类通用指令。

策略池。该系统从 20 多种预定义的呈现层面策略中进行选择,这些策略分为两大类:叙事重构策略(改变评审者对论文的解读方式,例如扩展分析性讨论)和表面编辑策略(在不改变叙事的前提下提升呈现质量,例如插入算法框)。这些策略不修改科学内容。完整细节见附录表 3。

编辑与版本更新。编辑子智能体执行 LaTeX 修改并编译 PDF;生成独立评审;评估协议(§3.3)决定候选版本是否晋升为最佳版本。

3.3 评估协议

我们在两个层级上使用评估协议:攻击过程中的候选版本筛选和最终实验报告。数值评分仅能反映审稿变化的一部分,且易受大语言模型评分偏差的影响[sato2026exploringeffectsalignmentnumerical];因此,我们同时从评分和内容两个维度进行评估。

攻击过程中的候选版本筛选。我们从两个维度评估候选修订版本:审稿人给出的数值评分,以及通过成对比较评估的内容层面变化。对于后者,我们将每组基线审稿和候选审稿提交给一个大语言模型评判器,由其评估变化的方向和幅度;所有轮次均以原始基线作为固定锚点。这避免了绝对大语言模型评分中常见的中心趋势漂移和评分校准不佳问题[zheng2023judging, raina-etal-2024-llm, liusie2024llm, li2025llms]。每次成对比较都会产生两个轴线的评估结果:(感知优势的净变化;正值表示更有利的评估)和(弱点严重性的净变化;负值表示批评程度减轻)。成对结果由大语言模型汇总为整体趋势,识别主导方向而非计算算术平均值,以减少审稿人随机性带来的噪声。

我们应用一个方向门控,要求候选版本满足三个条件:

(2)

要求感知优势提升超过阈值,弱点严重性不恶化超过容忍度,且净提升超过最低要求。如果方向门控通过,则计算综合选择分数:

(3)

其中是候选版本的平均数值评分,是整体内容层面的改进。只有当方向门控通过且其选择分数超过当前最佳版本时,候选修订才会被接受。这一两阶段标准防止了以下情况:接受那些提升数值评分但使审稿文本更具批评性的编辑,或者减少批评但削弱已认可优势的编辑。

最终实验评估。在最终报告中,我们使用相同的成对评判器来比较最终攻击版本与原始基线评审,报告 、 和 。我们还报告两个数值指标:平均分数偏移()和攻击成功率(ASR,定义为 的论文比例,遵循 [lin-etal-2025-breaking])。

4 实验设置

数据集。

我们在一个专门构建的基准上进行评估,其设计遵循三项原则。(1)无污染且滚动更新:数据集仅包含未发表的 arXiv 预印本;全自动构建流程可重新执行以纳入新提交的论文,数据目前截至 2026 年 4 月,因此该基准不会随着模型演进而过时 [agarwal2024litllms]。(2)逼真的 AI 同行评审工作流:每篇论文以配对的 LaTeX 源码和编译后的 PDF 形式提供,攻击者在源码层面操作,而 AI 评审者评估渲染后的 PDF。(3)多样且具有代表性:涵盖 ML、CV 和 NLP 领域的 500 多篇论文,通过多阶段流程筛选,确保是真正的研究投稿(排除综述、技术报告和非研究性作品),且评审分数处于中等范围:分数过低的论文缺乏足够的技术内容,而分数远高于录用阈值的论文很可能被发表;两者均不代表典型投稿。构建细节见附录 B。

评审模型与评审生成。

我们针对三款前沿 AI 评审模型(Claude Sonnet 4、Claude Sonnet 4.5 和 GPT-5-mini)进行测试;每篇论文接收独立评审以减少评审随机性。我们的评审生成与先前工作在两个关键方面不同:所有评审均基于编译后的 PDF 而非纯文本生成,并且我们使用 ICLR、NeurIPS 和 ICML 的完整官方评审指南作为评审提示词,包括完整的评分维度描述和评级量表,而非先前工作中常见的极度简化的评审指令 [kaneko2026paraphrasing, zhou2025give]。默认模板使用 ICLR 指南;跨模板可迁移性分析见附录 F。

攻击配置。

在主要实验中,攻击智能体使用与目标审稿人相同的模型驱动(匹配设置);跨模型迁移性分析见附录F。每次攻击行动执行§3.2所述六阶段循环的多轮迭代。成对评判器(§3.3)使用独立于审稿人和攻击者的单独模型,以避免共享偏差。

基线方法。

我们在子集上对比三种基线方法,每种方法主要在我们系统的三个设计维度之一(§3.2)上存在差异。零样本论文洗白[baumann2026stop]在收到一轮审稿反馈后执行单次全文重写,不进行迭代优化;其与我们系统的主要区别在于缺乏闭环迭代优化。PAA[kaneko2026paraphrasing]迭代优化论文评分但仅修改摘要;其主要区别在于缺乏全文呈现层面的编辑。研究智能体执行迭代式全文修订,但不包含对抗性目标或策略选择;其主要区别在于缺乏信号驱动的策略选择。超参数配置见附录D。

5 结果与分析

5.1 总体攻击有效性

对抗性重组在所有测试的AI审稿模型上均有效(表1上半部分)。

攻击前,基线分数通常处于拒稿区间;攻击后,成功攻破的论文分数显著上升,部分论文跨过了临界接收阈值。与PAA[kaneko2026paraphrasing]相比——该方法需要32步搜索,每步8个候选方案,且仅修改摘要——我们的系统最多在8轮内覆盖全文呈现层,实现了更强的效果和更高的效率。此外,与仅量化分数变化的先前工作不同,我们的评估通过成对评判器分别追踪感知优势与缺陷严重程度的变化,为后续章节分析AI审稿判断的内部结构提供了基础。

媒体内容 · 前往原文查看
表 1:攻击结果。上半部分:完整数据集,涵盖三个评审模型,原始版本对比我们的方法。下半部分:在论文子集上的基线方法对比。 和 在已接受的更新轮次上取平均值(最佳版本级别);所有轮次的轮次级别分析见 5.2 小节。 值越高、ASR 越高、 值越高、 值越高表示攻击越强; 值越低表示批评越少。每块的最佳结果以粗体标出。完整数据集中的所有值均具有统计显著性(Wilcoxon 符号秩检验, )。
评审模型 方法 原始 被攻击 ASR
Sonnet 4 我们的方法 3.80 5.27 +1.47 87.0% +3.40 2.81 +6.21
Sonnet 4.5 我们的方法 4.18 5.42 +1.24 79.8% +3.11 2.75 +5.86
GPT-5-mini 我们的方法 5.12 6.03 +0.91 58.4% +2.25 1.98 +4.23
Sonnet 4 Zero-shot PL 3.88 4.21 +0.33 30.0% +0.72 0.25 +0.97
PAA 3.88 4.34 +0.46 36.7% +0.71 0.19 +0.90
研究智能体 3.88 4.78 +0.90 53.3% +1.85 0.92 +2.77
我们的方法 3.88 5.41 +1.53 86.7% +3.29 2.91 +6.20
Sonnet 4.5 Zero-shot PL 4.33 4.58 +0.25 28.3% +0.55 0.18 +0.73
PAA 4.33 4.60 +0.27 30.0% +0.48 0.15 +0.63
研究智能体 4.33 4.88 +0.55 41.7% +1.49 0.72 +2.21
我们的方法 4.33 5.35 +1.02 73.3% +2.96 2.34 +5.30

表 1 的下半部分在论文子集上比较了不同方法,分离了每个组件的贡献。Zero-shot Paper Laundering [baumann2026stop] 在一轮评审反馈后执行一次完整的论文重写,得分提升有限(表 1),这表明没有闭环迭代,单次重写不足以系统性地影响 AI 评审模型的判断。PAA 引入了迭代优化,但只修改摘要,由于没有进行全文层面的编辑,其有效性受限。研究智能体执行迭代式全文修订,但没有对抗性目标或策略选择,从而分离了信号驱动策略选择的贡献。

5.2 优势-劣势不对称性

除了整体攻击有效性之外,我们进一步分析了AI审稿人评价变化的内部结构。通过使用成对评判器,逐项比较每轮攻击前后的审稿评论,我们分别量化了感知优势的变化和弱点严重程度的变化。我们发现攻击效果呈现出显著的不对称性:AI审稿人更容易被放大的优势所打动,而非被说服认为弱点已得到解决。

Refer to caption
图2:优势-弱点不对称性。(a) 每轮和 的密度分布。(b) 所有轮次、接受更新轮次和未更新轮次的联合结果分布。

图2(a)展示了这两个变化量的分布。 呈现右偏单峰分布,感知优势在86.1%的轮次中有所提升(均值 )。相比之下, 呈现双峰分布:弱点严重程度仅在68.4%的轮次中下降,而在其余31.6%的轮次中反而上升。弱点的适得其反率(31.6%)是优势(12.4%)的2.6倍。换句话说,突出优势的表述层面编辑能产生稳定且可预测的收益,而试图消解批评则难以控制:它们不仅可能失败,甚至可能导致AI审稿人做出更严厉的判断。

这种不对称性在联合分布中变得更加清晰。图2(b)根据优势和弱点的变化方向对每轮结果进行分类。在所有轮次中,67.7%达到了理想结果(优势增强且弱点减轻)。然而,18.4%的轮次呈现出一种值得注意的模式:优势确实得到增强,但弱点同时变得更加严重。这意味着在近五分之一的攻击轮次中,AI审稿人在给出更多赞誉的同时也变得更加挑剔。

更引人注目的是“淹没效应”。在所有整体评分提升的轮次中,有15.8%的轮次同时出现了弱点恶化。即使AI审稿人更清晰地识别出论文缺陷并给出更严厉的批评,只要引入了足够显著的新优势,整体评分仍然会上升。AI审稿人的综合判断可能会被放大的优势信号所“淹没”。

图2(b)中的“无更新轮次”进一步证实了这一点:在未能通过方向性门槛的轮次中,有79.9%的轮次优势仍然得到了增强,但弱点却在45.3%的轮次中恶化,这表明失败并非源于优势提升不足,而是因为那些难以消除的弱点。论文层面的汇总分析也证实了这一点:对于79.2%的论文而言,其平均优势增益超过了平均弱点减少量。

5.3 策略有效性梯度

媒体内容 · 前往原文查看
表2:策略有效性。“首次命中归因”衡量的是某策略出现在首个成功轮次中的频率;“被接受曝光率”衡量的是包含该策略的轮次被接受为最新最佳版本的比例(整体基线为30.8%)。优势增量和严重性增量是对该策略出现的所有轮次取平均值。
策略 首次命中 曝光率 优势增量 严重性增量
相关工作重新定位 44.7% 49.3%
讨论内容扩展 66.0% 44.9%
摘要重新框架化 42.6% 37.4%
自我贬低内容移除 44.7% 40.0%
贡献列表增强 87.2% 36.8%

我们进一步分析了不同的呈现策略如何促成攻击成功(表2)。对于每一篇被成功攻击的论文,我们识别出首个产生被接受更新的轮次,并记录该轮次中出现了哪些策略(首次命中归因)。首个成功轮次主要由结构和修辞性编辑主导:贡献列表增强出现在87.2%的首个成功轮次中,其次是分析性讨论扩展(66.0%)、相关工作重新定位(44.7%)、自我贬低内容移除(44.7%)以及摘要重新框架化(42.6%)。这些策略有一个共同特点:它们不改变实验数据或方法论,而是改变论文如何呈现其现有工作的意义和定位。

然而,首次突破时的高存在感并不意味着在后续轮次中能持续有效。我们通过接受曝光率来衡量持续影响力:即包含某一策略的所有轮次中被接受为最新最佳版本的比例(总体基线为 30.8%)。叙事重构策略展现出最高的接受曝光率:相关工作重新定位为 49.3%,分析性讨论扩展为 44.9%。相比之下,贡献列表增强仅达到 36.8%,且在后续轮次中收益递减明显。换言之,贡献列表增强是初始突破的开场策略,但叙事重构策略才是基线已被抬高后、在后续轮次中持续有效的关键。在所有策略中,分析性讨论扩展在感知强度增强和弱点减少两方面产生的效果幅度最大(,),表明它不仅单次使用效率极高,而且对 AI 评审者评估的影响最为全面。

按策略类别汇总后,呈现出清晰的效果梯度。改变 AI 评审者对论文理解方式的策略,例如相关工作重新定位(49.3%)和分析性讨论扩展(44.9%),远比改善表面呈现的策略(包括表格格式化 29.8%、局部文本润色 27.8% 和算法框 26.5%)更为有效。

5.4 案例研究:一次评审操纵的剖析

我们通过一篇论文的完整攻击轨迹,来说明上述结构性缺陷在实际中是如何体现的。

我们选取了一篇提出基于信息论的嵌入质量评估指标的论文,该论文在 2 个数据集上使用 5 种方法进行了验证。基线评审(Sonnet 4.5,ICLR 模板)给出 3/10 分(拒绝),包含 5 个优点和 6 个缺点。经过呈现层面的编辑后,评分升至 6/10 分(弱接收),所有子项评分均有提升,然而论文的科学内容并未改变:仍然是同样的 2 个数据集、5 种方法,所有数值结果均未修改。

强度膨胀。该论文并未增加任何新的实验或理论成果,仅仅是用更结构化的语言复述了现有内容,然而AI评审员却系统性地提升了其评估等级。例如,同样的新颖性主张,通过贡献列表的强化,从“解决了一个真正的空白”被提升为“首个……解决了一个根本性空白”。这些升级后的评估并非独立的推理,而是对论文自我定位语言的鹦鹉学舌。

局限性洗白。在原有的6个弱点中,有3个被完全移除(其中一个被翻转成了新的优势),另外3个被弱化,而论文在科学内容层面并未解决任何问题。其中两种机制尤其值得关注。将稀缺性重新定义为设计意图:评审员最初批评“仅使用两个数据集……对于顶级会议而言”;在论文通过预先框架将其呈现为“互补性数据体系”后,评审员采纳了这一表述并将其视为优势,同时弱化了批评。诱饵式局限性:通过将局限性合理化与扩展分析性讨论相结合,主动植入已承认的局限性,这种攻击引导了批评的方向;原有的弱点消失了,其中一个甚至翻转成了优势(“未提供明确指导”变成了“清晰的实用价值”)。攻击后评审中出现的两个新弱点,恰好对应了攻击者主动暴露的方向。在这两种机制背后,逻辑是相同的:AI评审员将“看起来解决了问题”等同于“实际上解决了问题”(附录H中对全部四种机制的完整分析)。

6 结论

我们提出,对仅通过展示形式操纵评审的抵抗能力,是AI审稿自动化的必要条件,并通过对抗性重包装对其进行了系统测试。我们的实验表明,当前的AI审稿人无法满足这一条件:在科学内容完全固定的情况下,仅凭展示层面的编辑就足以提高多个主流模型和审稿模板的评审分数。这种脆弱性具有明确的结构性根源:那些重塑审稿人对论文理解方式的策略,远比改善其表面外观的策略更为有效,而试图消解具体批评意见的做法则常常适得其反。这些发现表明,当前AI审稿人的评估机制可以通过展示层面的操纵而被系统性扭曲。

然而,仅满足这一条件并不能证明安全部署是合理的;我们在附录I中讨论了其他解释、更广泛的影响以及部署建议。我们发布了攻击框架和无污染数据集,作为AI审稿系统对抗性评估的可复用基准。

局限性

我们的实验涵盖了三种审稿配置,这些配置横跨当前AI辅助审稿中使用的两大主要模型系列(Claude和GPT系列)。受限于我们的计算预算,我们尚未测试其他模型。然而,所有三种配置均存在一致的脆弱性(以及正向的跨模型迁移结果,即针对一个模型优化的攻击在另一个模型上仍然有效;§F),这表明该脆弱性反映了当前AI审稿人的结构性属性,而非特定模型的产物。将研究扩展到更多模型系列将有助于强化这一结论。

我们观察到一个自然的效果上限:对于弱点源于具体实验缺陷(例如单数据集评估、缺乏真实世界验证)的论文,展示优化仍可提升分数,但增益在 5.0–5.5 左右趋于平稳,而非持续攀升,且大部分改进集中在最初几轮。这表明漏洞是有限的:AI 评审者对实质性缺陷仍保留部分敏感性,仅靠展示层面的编辑无法完全覆盖。

伦理考量

本研究表明,当前的 AI 评审者可以通过合法、可见的展示层面编辑被系统性操控。我们认识到这些发现的双重用途性质。然而,本研究所采用的所有编辑策略,例如重写摘要、重新定位相关工作以及强化贡献列表,均属于正常学术写作实践的范畴,且无需借助专门工具即可实施。我们选择披露这些漏洞,是因为随着 AI 辅助评审被会议和期刊日益广泛采用,建立鲁棒性测试标准需要了解这些系统如何失效。隐瞒此类漏洞可能导致未经充分验证的 AI 评审系统被大规模部署,从而对学术评价的公正性产生更广泛的影响。

为降低滥用风险,我们发布了一个可复现的数据集构建流程和评估协议,旨在用于 AI 评审系统的鲁棒性测试,而非针对特定会议或平台的攻击工具。用户可通过该流程构建自身无污染评估数据集,其数据来源仅限于公开的 arXiv 预印本,不涉及任何私人或可识别个人身份的数据。

参考文献

附录

附录 A 展示层面策略库

表 3 列出了攻击系统使用的所有呈现层面策略。这些策略根据其影响机制分为两类:叙事重构策略改变审稿人对论文贡献、定位和局限性的解读方式;表面编辑策略在不改变叙事框架的前提下提升呈现质量。这种划分与第 5.3 节观察到的策略效果梯度相对应:叙事重构策略始终比表面编辑策略更有效。所有策略仅修改呈现方式,不改变方法、实验、图表、公式或数值结果。

媒体内容 · 前往原文查看
表 3:完整的呈现层面策略池。叙事重构策略改变审稿人对论文的解读方式;表面编辑策略提升呈现质量。这种分类与第 5.3 节的策略效果梯度一致。
策略 描述
叙事重构
贡献列表增强 添加或强化结构化的贡献列表,使审稿人直接将贡献条目引用为论文优点。
分析性讨论扩展 在讨论部分增加对现有结果的分析性阐述(例如核心发现综合、方法对比、技术深度分析),使审稿人认为分析全面。
相关工作重新定位 重写相关工作部分,明确与先前工作的对比,确立新颖性定位,并预先应对“新颖性有限”的批评。
摘要重构 重写摘要,使其更具体、更有说服力(例如用论文中的具体结果替换模糊的表述),改善审稿人的第一印象。
引言重构 重写引言,强化研究动机和问题紧迫性,消除非正式语言和薄弱的问题框架。
结论重构 从结论中移除含糊其辞的表述和过多的未来工作,以自信的口吻重申已完成的贡献。
叙事重新定位 转变论文的整体叙事角度,以突出其最强维度(例如强调分析性洞察而非增量式的数值提升)。
先发制人的框架设定 将潜在的弱点预先包装成刻意的设计决策,从而防止审稿人将其升级为严厉批评。
局限性合理化 重新框定已暴露的弱点,以降低其感知严重性,例如将遗漏解释为方法论决策或设计权衡,或在讨论部分添加可控的微小局限性以转移审稿人注意力。
主张修正 削弱过于强烈的创新性或部署主张,并在整篇论文中校准各项主张,从而预先防范“夸大创新性”的批评。
理论形式化 将现有描述重写为命题或定理形式,增强方法的形式化感知程度。
影响陈述添加 为现有科学贡献添加影响阐述,拓宽审稿人对论文重要性的认知,使其超越当前任务本身。
全文重写 重写自由区域内的所有章节,以统一写作风格和语气。
表层编辑
自我贬低删除 删除直接拉低分数的自我削弱性语言(如“初步的”、“探索性的”)。
有害内容删除 删除任何明显对审稿不利的内容(例如直接承认实验不足),避免主动向审稿人暴露弱点。
格式清理 修复格式问题,减少审稿人对写作草率的印象。
行文润色 打磨局部行文,在不改变内容和结构的前提下消除生硬和冗余之处。
表格与图表包装 添加总结或对比表格,用组织有序的可视化证据取代“散乱、难以比较”的印象。
算法框插入 将散文风格的方法描述组织成正式的算法环境,提高可读性。
章节重命名 使章节标题更加正式且符合领域规范。
标题重新定位 使标题与目标会议/期刊的术语体系和审稿人预期保持一致。

附录 B 数据集构建

我们的基准遵循第 4 节所述的设计原则。本节提供完整的构建细节。

与先前工作的比较

这些设计选择使我们的基准测试与先前工作有本质区别。现有研究通常基于固定、静态的已发表会议论文集进行评估(lin-etal-2025-breaking, kaneko2026paraphrasing),这不仅因预训练数据暴露而引入污染风险,而且随着模型性能随时间提升,基准测试的信息价值也会逐渐降低。此外,这些研究通常向评审者提供纯文本或从论文中提取的文本,从而忽略了源层级作者操作与PDF层级评审输入之间的模态差异。因此,以往的基准测试未能捕捉到重要的PDF中介效应,包括版面布局、图表、表格、公式和附录引用——这些因素可能影响模型行为,并在攻击与评审之间形成策略鸿沟。我们的数据集通过提供配对的LaTeX源文件与编译后的PDF来弥合这一鸿沟,忠实再现了真实世界中AI辅助同行评审的工作流程:攻击者在源层级操作,而评审者则评估编译后的PDF。

B.1 构建流程

收集。

我们收集了截至2026年4月发布的arXiv预印本,每篇均同时提供编译后的PDF和可编辑的LaTeX源文件,涵盖多个类别,包括机器学习(cs.LG, stat.ML)、计算机视觉(cs.CV)和自然语言处理(cs.CL)。收集流程完全自动化,通过arXiv API检索论文,并下载渲染后的PDF和LaTeX源文件压缩包。由于整个流程可随时重新执行以纳入新发布的预印本,该基准测试在设计上是滚动更新的,不会随着模型演进而过时。

筛选。

Refer to caption
图3:数据集构建与统计。(a)多阶段筛选漏斗图,展示从初始收集到最终纳入的留存率。(b)页数分布。(c)作者数量分布。(d)遵循NeurIPS 2025主要领域分类法的研究领域分布。

为确保基准测试仅包含未发表的、具有实质内容的研究论文,我们采用了一个多阶段过滤流程,从初始收集到最终保留逐步收紧筛选标准。图 3(a) 展示了每个阶段的保留率。

(i) 去重与质量预筛选。我们首先对同一篇论文的多个 arXiv 版本进行去重,保留最新版本。随后,我们排除那些不太可能代表标准、可审阅研究的投稿:论文必须至少 12 页并列出至少两位作者,以此过滤掉短篇笔记和单一作者草稿;同时设定 35 页的上限,以控制 AI 评审的输入长度。我们进一步应用基于关键词的过滤,移除自我标识为非研究类的投稿,例如技术报告、立场论文和假设论文(保留率 84%)。

(ii) 双重发表状态验证。我们交叉引用两个独立来源,以识别并排除已发表的工作:arXiv 元数据字段(期刊引用、DOI 以及作者评论中的会议接收信号)和来自 Semantic Scholar 学术知识图谱的外部记录(会议地点、发表场所和 DOI)(保留率 67%)。与仅依赖单一来源相比,这种双重验证显著降低了漏检率。其核心动机是防止数据污染:已发表的论文很可能已进入被评估的大语言模型的训练数据,这使得无法区分真正的分析推理与模式记忆。

(iii)源码下载与编译验证。攻击系统在 LaTeX 源码层面进行编辑,并将编译后的 PDF 提交给 AI 审稿人(§3.1),因此数据集要求每篇论文拥有可编译的 LaTeX 源码,以确保“编辑-编译-审稿”流程正常运行。LaTeX 源码压缩包从 arXiv 下载(自动检测 tar.gz 或 zip 格式),并验证其中至少包含一个 .tex 文件。编译器选择首先读取 arXiv 提供的 00README.json 配置文件,以确定编译器(支持 pdflatex 和 xelatex)及主文件;若缺少配置,则流程自动检测包含 \documentclass 的 .tex 文件,并默认使用 pdflatex。每篇论文经过三轮编译(编译 bibtex 编译 2)以解析引用和交叉引用,每轮超时时间为 60 秒。最终检查会扫描 .log 文件以查找未定义的引用;若编译失败或输出的 PDF 不存在,则丢弃该论文。不执行自动修复或安装缺失的宏包,假设已预装完整的 TeX 发行版。源码压缩包不完整或编译失败的论文将被丢弃(保留率 29%)。

(iv)多模型交叉审稿。最后,多个前沿大语言模型使用来自多个主要学术会议(ICLR、NeurIPS 和 ICML)的完整官方审稿指南,对每篇候选论文进行审阅。论文只有在被确认为具有扎实方法论核心且无致命缺陷的真实研究,并且其审稿分数处于中等范围时才会被保留:得分过低的投稿缺乏足够的技术实质内容,无法作为有意义的评估目标;而得分过高的投稿已接近录用水平,因此不能代表审稿中的典型论文。采用多样化的模型和审稿模板,可防止单一审稿配置带来的系统性偏差(保留率 19%)。

处理与归档。

对于每篇保留的论文,我们存档了原始 PDF、完整的 LaTeX 源码树以及结构化的 arXiv 元数据,包括标题、摘要、作者、分类和提交日期。整个流程(从 arXiv 检索和源码下载,到过滤和最终存档)完全自动化,无需人工干预。

数据集统计信息。

图 3 展示了最终数据集的构建漏斗和统计概况。保留论文的中位页数为 18 页(平均 18.5 页,范围 12–35 页),中位作者数为 4 人(平均 4.6 人,范围 2–20 人),大多数论文的页数和团队规模符合机器学习会议投稿的典型范围。根据 NeurIPS 2025 主要领域分类法,该数据集涵盖 11 个研究领域,其中深度学习(33%)和机器学习在科学中的应用(17%)占比最高,其次是应用、强化学习、社会影响、优化、概率方法、理论等领域,表明主题覆盖广泛。

附录 C 系统架构详情

图 4 详细展示了 §3.2 中概述的系统架构,显示了三层设计以及跨攻击轮次的信息流。

Refer to caption
图 4:闭环迭代攻击系统的详细架构。该系统采用三层架构运行:主智能体负责策略推理和信号驱动的策略选择;子智能体负责论文剖析和 LaTeX 编辑;确定性工具与 AI 评审者交互并管理版本。每轮攻击遵循一个六阶段流程(剖析、规划、编辑与编译、评审、评估、更新),并设有一个方向门控,仅接受那些能提升感知优势同时将弱点严重性控制在容忍范围内的修订(要求净优势–严重性增益为正)。持久化的信号历史和最佳版本状态支持跨轮次优化。

附录 D 实验细节

本节提供了 §4 中所述实验设置的具体实现细节。

评审者模型。

三位评审模型对应以下检查点:claude-sonnet-4-20250514(Anthropic)、claude-sonnet-4-5-20250929(Anthropic)以及 gpt-5-mini(OpenAI),均通过多模态 API 访问,以编译后的 PDF 作为输入传输。Claude 模型的评审温度设置为 0.1,该值足够低,可确保评审评估的可复现性,同时保留微小的随机变化以模拟不同评审者的视角。GPT-5-mini 是一个推理模型,其 API 不支持用户自定义温度;仅接受默认值 1.0。

评审生成。

每条评审提示词由三个部分组成:系统指令、完整的会议评审指南(包括评分维度描述与量表)以及待评审的论文 PDF。默认模板使用 ICLR 2025 官方评审指南;在跨模板可迁移性实验中,则替换为 NeurIPS 和 ICML 的指南。评审输出遵循结构化的 JSON 格式,包含摘要、各维度评分(合理性、呈现、贡献、总体等)以及三个文本反馈部分(优点、缺点、问题)。每篇论文在每个评估轮次中生成独立的评审意见,取平均分作为该轮次的汇总得分。完整的评审提示词模板见附录 J。

攻击智能体配置。

在匹配设置中,攻击智能体使用与目标评审者相同的模型检查点。Claude 模型的智能体温度设置为 0.9,以鼓励策略探索的多样性并避免收敛到局部最优;GPT-5-mini 同样因 API 限制固定为 1.0。每次攻击活动最多运行 8 轮。方向门控(§3.3,公式 2)的阈值设置为 、 和 ,要求每个候选修订版本将感知优势提升至少 1.0,弱点严重程度增加不超过 1.0,且净收益超过 0.8。复合选择分数(公式 3)的权重设置为 和 。

成对评判器。

所有实验均使用 claude-sonnet-4-5-20250929(Anthropic)作为所有配置下的成对评判模型。评判模型的温度参数设为 0.0,以确保评估的确定性和可复现性。每个评审对(基线评审与候选评审)独立提交给评判模型,模型输出结果并附带文本分析。当每篇论文有多个评审对时,第二阶段聚合提示词会将各对结果综合为整体趋势判断,识别主导方向而非计算算术平均值,从而减少评审随机性带来的噪声。完整的评判模型提示词模板见附录 J。

基线实现。

零样本论文洗白。我们复现了 baumann2026stop 的方法:使用与目标评审相同的模型,系统在收到一轮评审反馈后执行单次零样本全文重写,不进行迭代优化。PAA。我们复现了 kaneko2026paraphrasing 的迭代摘要重写方法,运行 8 轮,每轮生成 3 个候选摘要。每轮接收完整的评审反馈,但仅修改摘要,使用前几轮重写后的摘要及对应得分作为上下文示例来指导下一轮生成。研究智能体。该基线使用相同的基础大语言模型、相同的轮数(8 轮)以及与我们攻击系统相同数量的评审查询,但采用一组固定的高频策略(例如贡献列表增强、摘要和结论重写、讨论扩展),没有对抗性目标、没有信号驱动的自适应策略选择、也没有方向门控,从而隔离了对抗性自适应机制的贡献。

附录 E 基于大语言模型评估的鲁棒性验证

我们的评估流程基于大语言模型构建,包括一个为论文分配评审分数的 AI 评审员,以及一个用于衡量攻击前后评审内容方向性变化的成对判断器。我们利用历史 ICLR 同行评审数据,从四个维度独立验证了其可靠性:(1) AI 评审员分数与真实同行评审结果高度一致(分数校准);(2) AI 评审员评分方差足够小,使得观察到的分数提升远超过自然噪声(重测信度);(3) 成对判断器能从评审文本中正确推断方向性差异(内容校准);(4) 判断器的方向性判断对输入顺序具有鲁棒性(顺序不变性)。

分数校准。

所有三种模型的 AI 评审员分数均与真实同行评审结果高度一致。我们使用 smallari/openreview-iclr-peer-reviews 数据集,从 ICLR 2024–2025 中构建了一个包含 64 篇论文的评估集,采样时大致保留了人工平均分数的原始分布,同时使接收/拒绝比率接近完整数据集的比率。对于每篇论文,我们下载 OpenReview PDF,并运行与主要实验相同的基于 PDF 的评审流程和提示词。

如表 4 所示,所有三种模型对被接收论文的评分均显著更高。AI 评审员分数与历史人工平均分数呈中等程度相关(Pearson = .58–.61,Spearman = .56–.58),表明与人工评估的方向性一致。当样本更接近自然分数分布且包含更多中等分数论文时,校准效果会减弱,但这不影响我们的主要发现,因为我们关注的是分数变化的方向而非绝对校准。

媒体内容 · 前往原文查看
表 4:在来自 ICLR 2024–2025 的 64 篇论文分数分布子集上,针对历史 ICLR 结果的分数校准。所有 AI 评审员模型对被接收论文的评分均显著更高。
评审员 已接收 已拒绝 -值 皮尔逊 斯皮尔曼
人工 6.41.73 4.67.96
Sonnet 4 6.08.81 5.141.02 .0010 .59 .56
Sonnet 4.5 6.31.74 5.371.05 .0005 .61 .58
GPT-5-mini 6.43.95 5.261.21 .0005 .58 .57

重测信度。

媒体内容 · 前往原文查看
表 5:AI 审稿人的重测信度。该指标为所有论文中,每篇论文内部各独立评审得分的平均标准差。
审稿人
Sonnet 4 0.28
Sonnet 4.5 0.10
GPT-5-mini 0.19

AI 审稿人的评分高度一致,且攻击效果远超自然评分方差。主实验中的每篇论文都会收到多份独立评审;我们利用这些重复评审来量化 AI 审稿人的自然评分方差。表 5 报告了每个模型在所有论文中,每篇论文内部得分的平均标准差。

如表 5 所示,所有三个模型在论文内部的标准差都很小(基于 ICLR 1–10 分评分量表),而攻击带来的跨模型平均得分提升(见表 1)则远超审稿人自然评分方差。

内容校准。

成对评判器在所有评分差距阈值下均能达到较高的方向准确率,能够可靠地捕捉评审内容中的方向性差异。使用同一数据集,我们分别评估了 ICLR 2024 和 ICLR 2025。对于每篇论文,我们提取评分最高和最低的人类评审,并仅保留评分差距至少为某个阈值的论文。将评分较高的评审视为基线,评分较低的评审视为候选。成对评判器仅能看到评审文本,看不到评分。在此设定下,我们预期结果应为某方向。我们报告方向准确率,即推断方向与预期相符的配对比例。

为减少不同阈值下的抽样方差,我们对两个年份均采用嵌套设计:首先选取 64 个配对,阈值设为某值;然后扩展至 80 个配对,阈值设为另一值;最后扩展至 96 个配对,阈值设为某值,使得最终样本量达到某值。如表 6 所示,随着人类评分差距增大,方向准确率单调提升,这与评分差距越大、评审内容差异越清晰的预期一致。两个年份、两个维度的准确率均很高,证实了成对评判器能够可靠地从评审文本中恢复方向性差异。

媒体内容 · 前往原文查看
表 6:内容校准:成对评判器在 ICLR 人类评审配对上的方向准确率。方向准确率随评分差距增大而单调提升。
数据集 差距
ICLR 2024 96 95.8% 90.6%
ICLR 2024 80 96.2% 91.2%
ICLR 2024 64 96.9% 93.8%
ICLR 2025 96 92.7% 85.4%
ICLR 2025 80 95.0% 90.0%
ICLR 2025 64 95.3% 90.6%

顺序不变性。

媒体内容 · 前往原文查看
表 7:成对评判器的顺序不变性。展示了完美的方向一致性,并且 是 ,证实了对输入顺序的鲁棒性。
数据集 指标 一致性
ICLR 2024 100%
ICLR 2024 98%
ICLR 2025 100%
ICLR 2025 99%

当输入顺序互换时,成对评判器的方向判断保持高度一致。大语言模型在处理成对输入时存在已知的位置偏差。我们对每对评审运行两次评判器(一次按原始顺序,一次按颠倒顺序),并验证调整后方向判断是否保持一致。

表 7 报告了 96 对评审的结果():方向一致性对于 为 100%,对于 为 ,表明成对评判器对输入顺序具有鲁棒性,尤其是在批评严重性方面。

总结。

这四项验证从互补角度确认了评估流程的可靠性:AI 审稿人得分与历史同行评审结果一致(分数校准),且与远超自然方差的攻击效果高度一致(重测信度);成对评判器准确捕捉评审内容中的方向性差异(内容校准),并对输入顺序具有鲁棒性(顺序不变性)。这些特性共同支持了第 5.1–5.3 节中报告的实验发现的有效性。

附录 F 可迁移性

在实际场景中,攻击者无法知道目标系统使用哪个审稿人模型或评审模板。我们通过两个实验研究呈现层面攻击的可迁移性:跨模型迁移和跨模板迁移。两个实验都复用主实验中生成的被攻击论文,只需使用不同的审稿人模型或评审模板重新评估,无需重新运行攻击。

跨模型迁移。

媒体内容 · 前往原文查看
表 8:跨模型可迁移性。行:攻击优化时使用的模型。列:评估时使用的模型。对角线条目(灰色)是迁移子集上的匹配设置结果。数值为 。
优化 评估 Sonnet 4 Sonnet 4.5 GPT-5-mini
Sonnet 4 +2.27 +1.07 +0.53
Sonnet 4.5 +1.93 +1.20 +0.67
GPT-5-mini +0.93 +0.13 +0.80

在非匹配设定下,攻击仍然有效,所有非对角线元素均为正值。在主要实验中,攻击智能体与评审者使用相同模型(匹配设定)。此处我们评估非匹配设定:针对模型A优化的论文由模型B进行评审(独立评审)。表8报告了每一对组合的结果;对角线元素为该迁移子集上的匹配设定结果。

如表8所示,所有非对角线元素均为正值,表明攻击在不同模型间有效迁移。匹配设定下的平均值为+1.42,非匹配设定下为+0.88;匹配设定的优势与已知的大语言模型评估者自我偏好偏差一致[baumann2026stop]。同一模型家族内的迁移(Sonnet 4 → Sonnet 4.5)强于跨家族迁移(Claude → GPT),但即使在最弱的跨家族组合中仍为正值。这表明攻击策略利用了AI评审系统对呈现质量的共同敏感性,而非模型特定的漏洞。

跨模板迁移。

媒体内容 · 前往原文查看
表9:ICLR优化攻击论文在不同评审模板下的跨模板迁移性(评审模型:Sonnet 4.5)。
评审模板 评分提升幅度
ICLR(匹配设定) +1.20 1–10分制
NeurIPS +0.60 1–6分制
ICML +0.53 1–6分制

ICLR优化的攻击在NeurIPS和ICML评审指南下仍能产生正向分数提升。在主要实验中,所有攻击均使用ICLR官方评审指南进行优化和评估。此处我们将相同的ICLR优化攻击论文提交给使用NeurIPS和ICML官方评审指南的评审者,以测试这些提升是利用了ICLR特定的评估标准,还是反映了广泛有效的呈现方式变化。表9报告了跨模板的结果。

如表9所示,在NeurIPS和ICML的评审指南下,ICLR优化的攻击均取得了正向的分数增益。由于这三个会议采用不同的评分量表(ICLR使用1-10分制,而NeurIPS和ICML使用1-6分制),绝对值在不同量表间无法直接比较,但在各自量表内攻击效果均为正向。这表明,稿件呈现层面的改进并未过度拟合ICLR特定的评审标准,而是反映了跨评审系统的普遍有效的呈现变化。

附录G 人工评估

G.1 盲法成对语义保留审核

我们进行了一项盲法成对语义保留审核,以评估每份稿件的两个版本在科学内容上是否存在差异。该设计源于先前关于将大语言模型作为评审者场景中基于释义的对抗性攻击的研究,在这些研究中,原始稿件文本与修改后稿件文本之间的语义保留是一个核心验证问题(kaneko2026paraphrasing, jin2020bert)。对于每一对稿件,人工标注员会看到仅标注为版本A和版本B的两个版本。两个版本的顺序是随机化的,标注员不知道哪个是原始版本,哪个是修改版本。

标注员从五个科学内容维度对两个版本进行比较:核心贡献、方法或技术路线、实验设置、报告的结果或实证证据、以及结论或主要科学论断。每个维度采用0-2分制评分:2分表示该维度相同或得到保留,1分表示该维度部分不同或不明确,0分表示存在实质性的科学差异(表10)。

设 表示被评估的版本对数量, 表示标注员数量, 表示科学内容维度的数量。对于每一对版本 、标注员 和维度 ,设 表示所分配的分数。

对于每一对版本,我们首先通过将五个维度的分数相加并除以最高可能得分10分来计算标注员层面的保留分数:

然后,我们通过对每一对版本取标注员层面保留分数的平均值,来汇总所有标注员的评分:

我们将一对版本定义为语义保留,如果其聚合的成对保留评分达到或超过预定义的阈值:

其中 是指示函数。在我们的分析中,我们设定 ,对应所有标注者和维度上的平均评分至少为 8 分(满分 10 分)。

然后,我们将语义保留率计算为达到此阈值的评估版本对所占的比例:

此流程在主要的语义保留结果中平等对待每位标注者。标注者间一致性作为一项可靠性指标被单独分析,并在聚合之前使用每位标注者特定的保留/未保留标签进行计算。

对于每个维度,我们还通过将所有版本对和所有标注者的评分取平均值,计算了一个归一化的维度级保留评分:

其中评分通过每个维度的最高可能得分 2 分进行归一化。

媒体内容 · 前往原文查看
表 10:盲法成对语义保留审核的评分细则。标注者在不知道哪个版本是原始版本或修改版本的情况下,对版本 A 和版本 B 进行比较。每个维度按 0–2 分制评分:0 = 实质性不同,1 = 部分不同,2 = 保留。
维度 标注问题
核心贡献 核心贡献是否相同?
方法/途径 方法或技术途径是否相同?
实验设置 实验设置、数据集、基线、任务或评估协议是否相同?
结果/证据 发现、数值结果或经验证据是否相同?
结论/主张 结论或主要科学主张是否相同?
媒体内容 · 前往原文查看
表 11:盲法语义保留审核中的维度级保留评分。每个维度按 0–2 分制评分(2 = 保留,1 = 部分不同,0 = 实质性不同);均值行报告了归一化到 [0, 1] 区间的总体 PPS。
维度 保留评分
核心贡献 1.63
方法/技术途径 1.87
实验设置 1.93
结果/经验证据 1.60
结论/主要主张 0.97
各维度均值 0.80

三位人工标注员独立评估了 30 个盲测版本对。平均成对保留得分为 0.80(满分 1.00)。使用预设阈值,30 对中有 20 对被归类为语义保留,对应语义保留率为 66.7%。在整体保留/未保留标签上,标注员间一致性百分比为 83.3%,Fleiss' Kappa 值为 。

在维度层面(表 11),保留得分最高的是实验设置(1.93),最低的是结论/主要主张(0.97)。

总体而言,这些结果表明,在盲测人工评估下,被攻击版本保留了核心科学内容,但在与叙事框架相关的维度上得分较低:较低的得分集中在面向呈现的维度,如结论和主要主张,而方法/技术途径和实验设置维度则接近满分。这种分布与科学内容未发生变化的结论一致。

附录 H 案例研究:完整分析

本附录提供了第 5.4 节中总结的完整案例研究分析,包括所有四种操纵机制和示意图。

媒体内容 · 前往原文查看
原始评审意见 策略 攻击后评审意见 效果
强度膨胀:相同内容,评价升级
“解决了一个真正的空白” 贡献列表增强 “首个……解决了一个根本性空白” 升级
“包含与……5 种方法的比较” 先发制人式框架 “全面的实验验证……互补的数据体制” 升级
“概念上有趣”(敷衍的表扬) 理论形式化 “系统性地比较”(强烈认可) 升级
缺陷洗白:将缺陷重新包装为设计决策
“缺乏与其他信息论度量的比较” M1:缺陷合理化 “虽然第 3.3 节讨论了为什么 MI 估计不切实际……但论文并未进行实证比较” 弱化
“仅两个数据集……对于顶级会议需要更全面的评估” M2:先发制人式框架 采用了“互补数据体制”框架(现被作为优点表扬);批评本身保留,仅弱化为“实验范围狭窄……两个数据集” 弱化
“未进行计算复杂度分析” M3:诱饵局限性 弱点从审稿意见中完全消失 已消除
“与 Procrustes 高度相关,这令人质疑该指标是否提供了新信息” 讨论框架重构 弱点消失;被重新表述为该指标相对于几何度量的互补价值 已消除
“未提供明确指导” M3:(相同机制) “明确的实用价值……有效说明了” 被翻转
“理论依据未得到严格确立” M4:理论形式化 “虽然该命题提供了边界……但论文缺乏更深入的理论分析” 被弱化
3/10 拒稿 6/10 弱接收 5 个强 + 6 个弱 6 个强(+1 个新增)+ 5 个弱(3 个弱化 + 2 个新增)零科学内容变更
图 5:审稿意见操纵剖析。同一篇论文仅通过呈现方式的编辑,就从 3/10 变为 6/10。方法、实验、图表或数值结果均未更改。上方:相同内容获得升级评价。下方:科学弱点通过四种机制被重新包装为设计决策。攻击后一列的粗体文本突出显示了原始审稿意见中不存在的新的评价性语言。

我们选取了一篇论文,该论文提出了一种用于详细分析的信息论度量指标。论文引入了一种基于香农熵和稳定秩的降维嵌入质量度量方法,并在两个数据集上使用五种降维方法进行了验证。基线评审(Sonnet 4.5,ICLR 模板)给出了 3/10 分(拒绝),附有 5 条措辞温和的优点和 6 条实质性缺点:仅使用了两个数据集、理论严谨性不足、缺少与信息论度量的对比、无复杂度分析、无实践指导,以及该度量与局部 Procrustes 分析高度相关,令人质疑该度量是否在几何度量之外提供了额外信息。经过表述层面的编辑后,评分升至 6/10 分(弱接收),所有三个子评分(严谨性、表述、贡献)均从 2 分升至 3 分。贡献度的提升尤为显著:论文的实际科学贡献完全未变(同样的两个数据集、五种方法,所有表格、图表、公式和数值结果均未修改),然而评审者对其的评价却仅因表述而改变。图 5 展示了这一转变的完整结构。

优点膨胀:机械复述论文的叙述,而非进行独立评估。

该论文并未增加新的实验或理论结果,仅仅是用更具结构性和断言性的语言复述了现有内容,然而AI审稿人却系统性地提升了对同一科学内容的评估。同样的2个数据集和5种方法,通过在实验部分进行先发制人的框架设定,被重新描述为“互补数据体系”,审稿人的评估也从“包含比较”升级为“全面的实验验证……在互补数据体系上表现一致”。同样的新颖性主张,通过贡献列表强化和摘要重构,从“解决了一个真正的空白”升级为“首个……解决了一个根本性空白”。论文还增加了一个形式化命题(在命题/证明环境中对现有熵界进行重述,无任何新的数学结果),审稿人对理论贡献的评估也从“概念上有趣”(泛泛的表扬)转变为“系统性地比较”(强烈认可)。值得注意的是,这些升级后的评估并非独立推理的产物,而是对论文自我定位语言的鹦鹉学舌:当稿件声称“首个”时,审稿人在优点中复述“首个”;当稿件将其数据集描述为“互补体系”时,审稿人逐字照搬这一短语。审稿人并非在评估论文的贡献,而是在转述论文关于自身贡献的主张。

缺陷洗白:未解决的缺陷如何从审稿意见中消失。

弱点方面则暴露出另一种失败模式。在最初的6个弱点中,有3个完全从审稿意见中移除(其中一个还被转化为新的优点),另外3个被弱化,而论文在科学内容层面并未解决任何被批评的问题;所有修改仅限于表述层面的编辑。我们识别出四种具体的操纵机制。

机制一:将遗漏重新包装为方法论决策。审稿人最初批评“论文缺乏与其他信息论度量的比较”。攻击者运用了局限性合理化策略,在讨论部分增加了一段解释,说明“在此场景下互信息估计不切实际”。攻击后,审稿人的措辞变为“虽然第3.3节讨论了为何互信息估计不切实际,但论文并未在实证上比较……”该论文并非有意将互信息比较作为方法论决策而省略;它只是从未进行过这一比较。然而,在添加了一段解释“为何不进行”的文字后,审稿人自动将这一遗漏解读为方法论选择。

机制二:将稀缺性重新定义为设计意图。审稿人最初批评“仅两个数据集……对于顶级会议需要更全面的评估”。攻击者运用了先发制人的框架设定,在实验部分预先将这两个数据集描述为“互补的数据体系”。攻击后,审稿人采纳了“互补的数据体系”这一框架,这反而表现为一个优势(即上述“全面的实验验证”升级)。然而,批评本身并未被消除:它以弱化的形式保留为“实验范围狭窄:验证仅限于两个数据集”,只是删除了“对于顶级会议”这一评判。稀缺性被重新定义并弱化,而非移除。

机制三:诱饵限制引导批评方向。该攻击将限制合理化与分析讨论扩展相结合,在讨论中增加了复杂性分析和主动承认的局限性。这向审稿人发出信号,表明作者具有“自我意识”,并似乎降低了审稿人进一步探究其他弱点的倾向。原始弱点“未进行计算复杂度分析”从审稿意见中完全消失。更引人注目的是,“未提供明确指导”不仅消失,反而转变为一项新优势:“明确的实用价值……有效阐明”。事实上,攻击后审稿意见中出现的新弱点(“未进行下游任务验证”和“敏感性未完全表征”)恰好对应攻击者在预设的局限性部分中主动暴露的方向,且这两个弱点均未出现在基线审稿意见中。这表明诱饵限制不仅占据了审稿人的批评预算,还决定了批评的具体方向。

机制四:通过形式化制造理论贡献。审稿人最初批评“理论依据未得到严格确立”。该攻击应用了理论形式化,增加了一个形式化命题(对现有熵界关系的形式化重述)和一条备注,未引入任何新的数学结果,仅将现有关系重新包装在命题和备注的框架中。然而,当审稿人看到论文中带有证明的命题时,自动认可了“理论依据”的贡献,将批评降级为“虽然该命题提供了边界……但论文缺乏更深层次的理论分析”。“未得到严格确立”变成了“缺乏更深层次分析”,这是严重程度截然不同的评价。

第六个弱点,即局部 Procrustes 相关性高,以同样的方式消失:一段讨论文字将其重新表述为该指标相对于几何度量的互补价值。

两种缺陷的协同作用。

所有四种机制都遵循相同的底层逻辑:AI 审稿人将“看起来解决了某个问题”等同于“实际上已经解决了该问题”。一个解释被算作方法论决策,一个形式化的命题被算作理论贡献,一个主动承认的局限性被算作已解决的问题。单一策略往往能同时在两个维度上产生效果,这解释了为什么少量呈现层面的编辑就能带来巨大的评审意见转变。“强度膨胀”提高了审稿人对论文价值的感知上限;“局限性洗白”则抬高了其下限。综合来看,在原有的 6 个弱点中,它们移除了 3 个(其中 1 个被转化为优点),并弱化了 3 个,同时从植入的局限性中浮现出 2 个新弱点,使得攻击后的评审意见中仍留有 5 个弱点;此外,它们升级了全部 5 个原有优点,并增加了 1 个新优点。最终结果是:同一篇科学内容完全不变的论文,其评审结果从“拒稿”转变为“弱接收”。

其政策启示在于,这些操纵技术表面上与正常的论文修订并无区别。任何作者都可以在讨论部分解释为何未进行某项实验,或在引言中列出编号的贡献。问题不在于这些写作实践本身,而在于 AI 审稿人无法区分一个经过深思熟虑后的真正设计决策,与一个在受到批评后撰写的“事后解释”。

附录 I 讨论

我们的实验表明,当前的 AI 审稿人无法满足“抵抗仅呈现层面评审游戏”的条件:在科学内容完全固定的情况下,仅凭呈现层面的编辑就能系统性地使 AI 评审结果更有利。我们从三个角度讨论了这一发现的启示:排除其他解释、超越评审游戏之外的更广泛意义,以及对部署的影响。

I.1 其他解释

“被攻击的论文确实更清晰了,因此获得更高分数是合理的。”

我们承认,表述清晰度的提升确实可能使评审结果更有利。然而,我们观察到的变化幅度远超单纯写作质量所能解释的范围。在案例研究(§5.4)中,当论文将“仅使用两个数据集……投稿顶级会议”这一批评重新描述为“互补数据体系”后,评审者的批评语气明显缓和,甚至同样这两个数据集反而被称赞为优势,尽管数据集数量并未改变。成对评审者的判断结果及其变化表明,AI 评审者感知到的不仅是“更好的写作”,更是“更强的科学贡献”。更关键的是,我们的优势膨胀分析揭示了“评审复读”现象(图 1):评审者只是重复论文自身的定位语言,而非独立评估内容。问题不在于清晰度提升了评分,而在于评审者将表述质量的提升与科学质量的提升混为一谈。

“这种效应只是评审者或评审者的噪声。”

四项独立验证排除了这一解释。(1)重测信度:AI 评审者同一篇论文内的标准差仅为 0.10–0.28,而攻击产生的平均得分增益远超自然方差(表 5)。(2)评分校准:所有模型对已接收论文的评分显著更高,与人类评分的趋势方向一致(表 4)。(3)内容校准:成对评审者在较大差距阈值下达到了方向性准确率(表 6)。(4)顺序不变性:当输入顺序互换时,评审者的方向性判断保持一致(表 7)。

“这种攻击只对某个模型或模板有效。”

主要实验在所有三个评审模型(Sonnet 4、Sonnet 4.5、GPT-5-mini)上都观察到了显著效应。跨模型迁移实验(§F)表明,在设置不匹配的情况下,攻击效果仍然为正:针对模型 A 优化的论文在被模型 B 评审时仍能获得得分增益。跨模板迁移实验进一步证明,攻击效果可迁移至 ICLR、NeurIPS 和 ICML 的评审模板。这些结果表明,该漏洞是结构性的,而非特定于某个模型或模板。

I.2 更广泛的意义

这是合法的,且比提示词注入更难防御。

与提示词注入和隐藏文本攻击不同,本工作中的所有修改都是合法的、可见的,并且属于正常的学术写作实践。它们不违反任何现有的会议政策,也无法通过格式检查或文本检测来防范。这意味着防御从根本上比应对显式攻击更难:没有任何简单的过滤规则能够区分“更好的写作”与“策略性操纵”。

澄清与操纵之间没有清晰的界限。

固定科学内容很容易定义,但评判呈现方式则不然。同样的编辑既可以是合法的澄清,也可以是策略性操纵:对相关工作的重新定位可以恰当地定位一篇论文,也可能夸大其新颖性;贡献列表可以呈现真实的贡献,也可能夸大其重要性。究竟是哪一种,取决于这种框架是否与底层科学相匹配,而非仅仅取决于文本本身。因此,表面检查无法划清界限,即使是一个完美的检测器也缺乏明确的目标。这就是为什么,尽管抵御仅针对呈现方式的评审作弊是必要的,但对于安全部署而言,这还不够。

激励结构的扭曲。

当攻击成本极低(几轮 API 调用)而收益巨大(平均分数提升,75.1% 的攻击成功率)时,作者的理性策略就会从“做更好的科学”转向“做更好的包装”。这并不需要恶意意图;只要 AI 评审系统表现出这种系统性偏差,激励结构就会自然倾斜。大规模部署存在此类漏洞的 AI 评审者,不仅有可能扭曲单个评审结果,还可能扭曲整个学术研究的激励格局。

I.3 对部署的启示

以内容为锚点的鲁棒性测试。

我们的发现3表明,改变AI审稿人对论文理解方式的策略(例如重新定位相关工作、扩展分析性讨论)远比改善表面呈现的策略(例如表格格式调整、文字润色)更为有效。这表明当前AI审稿人的评估过度依赖叙事框架而非科学内容本身。我们建议AI审稿人在部署前必须通过纯呈现扰动测试:仅对同一篇论文进行呈现层面的编辑,并测量审稿评分或科学评估是否发生显著变化。如果审稿人的评估未能充分锚定科学内容,则不应将其用于影响录用决策。本文发布的攻击框架和无污染数据集可直接作为此类测试的基准。

将科学判断与写作判断分离。

当前的AI审稿人将写作质量混入科学评估中,因此呈现层面的编辑会渗入科学裁决:正如我们的案例研究所展示的,审稿人将"看起来解决了问题"等同于"已经解决了问题"。更稳健的设计应当首先基于方法、实验和结果对科学严谨性进行评分,且独立于任何写作质量的判断。将两者解耦后,即使改写仍能为更清晰的写作赢得加分,也不会再抬高科学裁决。

附录J 提示词模板

本节列出了我们实验中使用的完整提示词模板。所有审稿提示词共享相同的系统指令前缀;论文PDF通过base64编码与消息一同通过多模态API传输。

J.1 AI审稿提示词(ICLR 2025,默认模板)

J.2 成对评审提示词

以下是成对评审的单对评估提示词。评审者收到一份基线审稿意见和一份候选审稿意见,并在强度与严重性维度上输出变化幅度。

在对每篇论文的审稿配对进行评估后,以下聚合提示词将各配对的结果综合为整体趋势判断。

J.3 跨模板审稿提示词

在跨模板可迁移性实验中,我们将默认的 ICLR 模板替换为 NeurIPS 和 ICML 的审稿人指南。下面展示了这两个替代模板。与 ICLR 模板的主要区别在于评分维度和评级量表。NeurIPS 2025 使用四个子分数(质量、清晰度、重要性、原创性;各 1–4 分),总体评分为 1–6 分制,并设有专门的局限性维度。ICML 2026 使用四个子分数(合理性、呈现、重要性、原创性;各 1–4 分),采用相同的 1–6 分总体评分制,并设有专门的局限性维度。

来源:HuggingFace Daily Papers(社区热门论文)· arxiv.org