ICLR 2026录用结果公布后我的朋友圈和几个学术群直接炸了锅。28%的接收率比去年又掉了一截这本该是大家讨论哪条赛道更卷的日子结果话题全被一件事带跑了——AI审稿争议。有人贴出自己收到的审稿意见措辞工整得不像人写的有人吐槽同行拿ChatGPT批量生成评审意见甚至连论文的具体内容都没怎么提还有人在吵AI到底该不该出现在评审流程里。作为一个从ICLR 2020就开始投稿、也陆续做过几次审稿人的老选手我想认真聊聊这事28%这个数字意味着什么AI审稿争议到底是怎么烧起来的以及咱们这些普通作者在评审机制被AI搅动的这个阶段该怎么调整自己的投稿姿势。这篇文章不是来喊口号的也不打算站队AI绝对不能用或者AI审稿大势所趋。我想做的是把这次录用结果、评审流程、争议焦点、以及我实际踩坑和观察到的经验拆开揉碎给接下来要投ICLR、NeurIPS、ICML或者其他顶会的朋友一份能直接参考的实操笔记。1. 28%接收率背后ICLR 2026的数据说明了什么1.1 接收率回落的直接信号先把这个数字放在上下文里看。ICLR这几年接收率稳定在30%到32%之间2026年落到28%看起来只是几个百分点的波动但在顶会圈里这已经是相当明显的信号了。接收率不是孤立指标它背后是投稿量、审稿人数量、评审质量三者的动态平衡。28%意味着什么最直接的解释是在投稿量持续攀升的背景下Program Chairs并没有选择大幅扩招而是把门槛又往上抬了一点。我翻了一下这几年的数据走势不精确但足够说明方向ICLR 2023投稿量不到5000篇之后逐年上涨到2026年已经逼近万级。投稿量快翻倍了接收量却没有同步上涨接收率自然被压低。这个逻辑和NeurIPS、ICML近几年的情况基本一致——顶会正在从相对宽进严出走向严进更严出。但让我在意的不是接收率本身而是接收率背后的一个更深层问题审稿人还是没有增加。我2025年下半年就接到了ICLR 2026的审稿邀请当时分到的论文数是5篇Deadline周期和往年差不多。5篇看下来每篇都得精读、查实验、列意见工作量相当大。当时我就在几个审稿人社群里看到有人抱怨说时间不够用、只能速览式评审。这种环境下AI工具的介入几乎是必然的——它不是一个要不要用的问题而是很多审稿人在时间压力下的自救手段。而这恰恰就是这次争议的一个导火索。1.2 投稿量激增但审稿产能没跟上我们算一笔账。假设投稿量是8000篇每篇需要至少3个审稿人ICLR的标准配置是3-5个那么光审稿任务就超过24000份。假设活跃审稿人数量是3000人每个人平均要审8篇。在3-4周的评审周期内这8篇如果每篇认真看完需要4-6小时那就是32-48小时的纯审稿工作量——这还是在正常科研、教学、写代码、改论文之外额外挤出来的时间。这笔账算下来很多审稿人面对的现实是要么削减每篇的投入时间要么用AI工具辅助阅读和起草意见。前者损害评审质量后者引发学术诚信争议。ICLR 2026的28%接收率在某种程度上也是这种审稿产能瓶颈下的必然结果——当审稿人普遍没有足够时间深挖每一篇论文那些表面看起来完整、创新点明确、写作规范的论文就更容易获得偏向正面的评价。这不是说评审系统崩了而是说它变得更依赖第一印象了。我个人观察到的一个现象是今年很多被接收的论文都有一个共性——标题和摘要写得非常清楚Introduction部分的三段式结构问题背景、现有方法不足、本文贡献极其标准实验结果图表一眼能看出明显提升。不是说这些论文不扎实而是说在审稿人注意力被压缩的情况下表达清晰的收益被放大了。这其实给作者提了个醒在投稿量暴涨的时代学会用最少的时间让审稿人get到你的核心贡献已经变成了刚需。2. AI审稿争议从辅助到评审席的灰色地带2.1 争议焦点一AI生成的审稿意见泛滥这次ICLR 2026的AI审稿争议最炸的点不是用AI查语法而是整段整段用ChatGPT生成审稿意见。有人晒出了自己收到的审稿意见一眼望去全是典型的大模型措辞结构完整、逻辑通顺、每条意见都带点泛泛而谈的正确话。比如该论文提出了一种新方法但实验部分可以进一步扩充消融实验以验证各组件的有效性——这种话放在任何一篇论文上都不会错但也恰恰说明审稿人可能并没有针对性地分析这篇论文的独特设计。更离谱的是翻车案例。Reviewer的意见里直接出现Acknowledge the limitations of using an AI language model这类句子——这是把生成文本的提示词尾巴带出来了或者是直接在AI回复上改了几个字就提交了。我甚至看到有个帖子说审稿意见里出现了作为一个人工智能助手我认为...这种级别的失误。你很难想象作者收到这种意见时的心情——自己的论文被一个压根没认真读稿的AI模板给打发了。为什么审稿人会铤而走险说到底还是时间压力。3到4周内完成5到8篇论文的深度评审很多人是真的绷不住。但在学术圈审稿代表的是学术共同体对学术质量的把关审稿意见是你对同行工作的负责任评价。用AI走流程省下的是自己的时间压掉的是整个学术交流的可信度。这也是为什么这次争议会这么大——它不是一两个人的行为而是暴露了整个评审体系在AI工具冲击下的脆弱性。2.2 争议焦点二AI检测论文、AI辅助写作的双重标准AI审稿争议还有另一个方向很多作者在质疑如果审稿人可以用AI辅助生成评审意见那自己在写作时用AI润色语法、调整句式为什么就要被打上学术不端的标签这个矛盾在今年的争议里被反复放大——因为ICLR有明确的AI写作披露要求但对审稿人使用AI工具官方并没有给出特别清晰的边界。这就形成了一个诡异的双重标准作者用了AI工具必须披露否则可能被视为学术不端审稿人用AI生成意见却几乎没有监管机制顶多被作者写rebuttal时发现端倪。说实话我觉得这个矛盾的核心不是AI该不该用而是AI用在哪里、边界在哪里——如果只是用Grammarly或者DeepL润色语言这和我十年前的自己在投稿前找母语同事帮忙改英语一毛一样只不过工具变了。但如果是用AI生成论文的核心idea、做文献综述的结论、甚至生成实验的定性分析那就是另一个层面的问题。同理审稿人用AI做机械性的检查——比如辅助检查参考文献格式是否规范、图表是否清晰——我觉得没问题。但用AI替代对论文贡献的判断那才是真正的失职。问题的本质不在于AI是否出现而在于人类是否还在为学术判断负责。2.3 为什么偏偏是ICLR引爆了这场争议我认真想过一个问题AI审稿争议在NeurIPS、ICML也发生过为什么ICLR 2026会引爆得这么彻底一方面ICLR这个会议本身就和AI圈绑定得最深。它的名字缩写就是International Conference on Learning Representations办会风格偏开放OpenReview平台让所有评审意见公开可见——这本来是好事但现在反而成了AI审稿意见的陈列柜。当越来越多的作者在OpenReview上看到自己论文底下挂着明显像AI生成的评审意见时不满情绪会被持续放大。意见是公开的丢脸也是公开的作者能清晰地看到自己的论文是怎么被敷衍的这种切肤之痛是其他闭门评审的会议很难比拟的。另一方面ICLR这几年正处于从深度学习特色会议向综合AI顶会转型的阵痛期。投稿量越来越大领域越来越广但审稿人库并没有同步扩大很多审稿人其实对论文所属的细分方向并不那么熟悉。当一个审稿人本身对多模态大模型的视觉推理这个方向了解有限又被要求在两周内给出高质量评审AI工具就成了最方便的脚手架——这确实能帮审稿人写出结构完整的意见但代价就是评审缺乏真正的深度和针对性。说到底这次ICLR 2026的AI审稿争议是学术评审体系在规模和工具双重压力下的集中爆发。28%的接收率只是表层数据底下涌动的是整个顶会评审机制在AI时代如何重建信任的问题。3. 身处AI审稿时代作者的应对策略与实操建议3.1 论文写作层面如何经得起AI人的双重审视作为一名老投稿人我的态度很明确在评审环境已经改变的前提下作者不能假装AI不存在而是要把AI辅助审稿这个变量纳入论文写作的优化目标里。首先要做到的是论文的结构和表达极度清晰。这一点在AI参与审稿的时代变得比以前更加重要——AI审稿工具以及被时间逼疯的人类审稿人都倾向于抓取最容易获取的信息也就是标题、摘要、Introduction末尾的contribution列表、实验结论。你的论文如果前三页都没把我们解决了什么问题、和已有方法有何区别、关键实验结论是什么讲清楚后面写得再好也很容易被低估。我在2026年这轮投稿中花了整整两天重写了Introduction的最后两段把三个贡献点一条条拆开每一条都对应到具体的实验表格。这个改动看起来平淡无奇但实际效果非常明显——R1在评审意见里直接引用了我的contribution列表逐条讨论是否成立而不是模糊地说方法有一定创新性。这种让审稿人顺着你的框架走的能力在评审周期被压缩的环境下基本上决定了一篇论文的下限。其次实验部分要经得起快速审查。审稿人尤其是用AI辅助的审稿人不会逐行验证你的每一行代码但他们一定会看数据集是否是公认的标准benchmark、对比方法是否覆盖了当前SOTA、消融实验是否检验了每个核心组件、图表是否直观。如果你的baseline里漏掉了近两年重要的对比方法或者消融实验只做了其中两个组件这类表面可查的问题被抓住的概率极高——因为AI工具在检索该论文没对比哪些重要方法这件事上效率是很高的。还有一点是我个人的体会论文里不要有过多的文字注水。那些该方法在各种任务上展示了巨大潜力未来可以应用于更广泛的场景之类的套话在AI辅助评审的时代反而会成为嫌疑点——AI生成的审稿意见也喜欢这种废话如果你的论文本身就充斥着这类表达审稿人会觉得这篇论文和AI生成的东西差不多主观印象分会往下走。3.2 审稿意见应对识别AI意见并精准回复当你收到ICLR 2026的评审意见时如果发现某些reviewer的意见写得完美但空洞用词通用、对实验细节缺乏针对性质疑你得先判断这篇意见是不是AI辅助生成的。这个判断不是纯粹为了跟reviewer吵架而是为了决定你用什么样的策略去rebuttal。识别AI生成意见的几个特征我总结如下语句工整但缺乏信息量本文提出的方法具有一定创新性但实验部分仍存在一些不足建议作者补充更多实验以验证方法的有效性——这种话放在100篇论文上都能成立但对你这篇论文具体的网络结构、损失函数、训练细节几乎没有提及。逻辑自洽但没有刺人类审稿人看稿子会带着自己的研究偏好会揪着某个技术细节问为什么不用XXX甚至有时候会问出有点偏执的问题。而AI生成的意见通常四平八稳提的问题都在正确的范围内缺少个人化的角度。每条意见的长度和句式高度统一如果你收到的几条review意见排版、长度、甚至措辞风格都异常整齐那大概率是同一种生产方式产出的。遇到疑似AI生成的审稿意见我建议作者这么做首先绝对不要在rebuttal里直接开喷你这个意见是不是AI生成的。你可以在回复开头礼貌地写道感谢reviewer对本文的关注和宝贵建议然后针对每条意见给出实质性回复。为什么因为在OpenReview上评审意见是公开的围观群众包括AC会自己判断那条意见的质量。其次把意见空洞当作一次展示论文深度的机会。如果reviewer只是泛泛地说实验不够充分你就把实验部分最扎实的表格拿出来指出我们在Table X中已经对Y组件进行了消融验证额外补充的实验见补充材料。这种回应不仅让reviewer无可挑剔也是给AC看的——你在告诉AC这篇论文站得住而且作者有明显的学术热情和严谨性。最后rebuttal的时间管理很关键。ICLR的rebuttal窗口期只有一周左右你需要在这几天里把最关键的回应做完而不是试图回应所有reviewer的所有问题。我一般会先聚焦原本给4分、5分而且愿意改分的reviewer因为他们才是决定论文命运的关键票。如果一篇意见明显是AI生成的、评分为3分且言辞空泛我反而会降低优先级——因为改变这种reviewer看法的概率通常不高把精力花在刀刃上更划算。3.3 审稿人视角负责任地使用AI工具的边界我自己也做审稿人所以想从审稿这个角度说说AI到底能怎么用。我完全不反对AI工具进入审稿流程但我心中有一条清晰的红线AI可以辅助检查但绝对不能替代判断。具体来说我自己在审稿时会用AI做这几件事快速提取论文框架把论文PDF丢给大模型让它总结出研究的核心问题、方法、实验设置这能帮我快速判断论文的整体结构是否完整。检查参考文献格式批量核对引用是否规范、是否有明显的引用错误。这个纯机械性劳动AI做得又快又好。辅助查找相关文献如果我对论文中提到的某个细分方法不熟悉我会让AI帮我整理最近2-3年相关方向的发展脉络然后我自己再去读原文验证。但我绝对不会用AI做的是让AI生成对论文创新性的评价。创新性是学术判断必须建立在审稿人自己对领域现状的理解之上。AI再强它也无法替代审稿人在某个具体方向上深耕多年的那个直觉。让AI直接生成建议接收/建议拒绝的结论。这个决定需要权衡论文的novelty、soundness、significance三个维度AI无法理解一篇论文对一个细分社区的实际推动作用。在审稿意见里直接粘贴AI生成的内容。即使AI给了很好的参考框架我也会用自己的语言重组和改写确保每条意见都反映我真实的阅读感受。我还想多说一句审稿本质上是一种学术服务就像别人花时间审你的稿你也要花时间审别人的稿。尊重这个流程也是在维护自己以后投稿时能被认真对待的环境。如果大家都嫌麻烦用AI糊弄那整个系统会越来越不可信最后受害的是每个人。4. 常见问题与避坑技巧实录4.1 AI审稿争议下作者最关心的几个问题我把这段时间在各个群里被反复问到的问题整理了一下做成一个速查表常见问题我建议的处理方式投稿时要不要披露用了AI辅助写作按ICLR的官方要求来。语言润色、语法修正这类工具使用如实披露即可如果AI参与了核心idea提出、实验设计等实质性贡献不仅需要披露也建议你重新评估是否真的该署上AI贡献——大多数顶会不接受AI作为作者。收到疑似AI生成的审稿意见该不该举报除非有非常确凿的证据比如直接出现作为AI字样否则不建议直接举报。一方面举证困难另一方容易让AC觉得你在纠缠流程问题而非学术问题。更好的方式是针对意见内容认真回复。论文被AI审稿意见打低分申诉有用吗要看低分的原因。如果意见空洞无据、且明显没有理解论文的贡献可以在rebuttal时给AC留言附上该reviewer似乎误解了论文第X节的实验设置这样的具体说明AC有概率参考reviewer间的分歧做出调整。用AI辅助写rebuttal算学术不端吗如果你用AI打磨语言、整理逻辑结构我倾向认为这等同于用Grammarly改语法合理但如果你是让AI代写为什么我们的方法有效这种核心论证那就有风险。建议还是亲自动脑AI最多充当润色工具。明年投ICLR要不要躲开最卷的方向不要。评审机制再怎么变论文的实质贡献永远是第一位的。与其猜哪个赛道接收率高不如把论文打磨到任何一个reviewer拿到手都难以给出低分的程度。4.2 我踩过的坑和几个实操心得说到底我在这次ICLR 2026投稿和审稿过程中有几件小事印象特别深。第一件是我自己投稿时犯的一个低级失误。当时为了让Introduction更有力我引用了两篇近期的热门工作结果其中一篇其实和我的方法根本不冲突引用放在那里显得很牵强。有一名审稿人明显是认真看过的直接指出来了我rebuttal时花了很大篇幅解释这个引用的意图虽然最后没影响结果但我知道这浪费了reviewer的好感度。引用文献这件事宁缺毋滥——审稿人最烦的就是为了显得相关工作多而硬引。第二件是我作为审稿人审到一篇写得特别AI化的论文。论文整体读起来极其顺滑结构完美转折词用得恰到好处但读完之后我心里空落落的——我记不住这篇论文提出了什么具体的、让我觉得啊哈的东西。这给我提了个醒论文写得太顺不一定是好事。如果你在写作时用力过猛把所有棱角都磨平了审稿人反而会觉得这篇论文缺乏灵魂。我后来在自己的写作里特别注意留出作者的声音——比如在方法部分用一两句话解释我们为什么会走这条路、在实验部分坦诚地说这个消融实验的结果有些出乎我们的意料。这些真实的痕迹会让论文显得更可信。第三件是关于rebuttal的一个小技巧。ICLR的rebuttal字数有限通常是500词左右所以一定要抓重点。我通常把回复分成三块对关键误解的澄清如果有、对最常见质疑的证据回应、对其他小问题的简短说明。如果某个reviewer提了三个问题其中两个是我们没有看明白、表述不清我会优先把这两个误解类问题解决掉——因为它们改起来最容易而且改完往往能直接提升reviewer的打分意愿。4.3 接下来审稿制度可能怎么走这轮争议出来以后我听到的一些讨论是ICLR未来可能会采取一系列措施来约束AI审稿。比如要求审稿人在提交意见时声明是否使用了AI辅助工具或者在OpenReview系统里内置AI生成文本检测模块再比如缩短单篇论文的审稿周期、动态调整每位审稿人的分配数量。这些措施能不能落地落地后效果如何现在都还说不准但方向应该是明确的在保持投稿量增长的同时重建评审的信任感。如果你问我个人怎么看我的态度是AI参与审稿本身不可怕可怕的是人类放弃判断责任。审稿人用AI省下来的时间应该用来更深入地读那一篇论文而不是用来同时多接几篇稿子。同样作者用AI润色文字、梳理逻辑省下来的时间应该用来设计更扎实的实验、想清楚方法的每一个细节。5. 写在最后的个人体会这几届ICLR投稿下来我的一个体会是顶会评审越来越像一场在有限注意力里争夺生存空间的游戏。28%的接收率意味着每5篇投稿里就有3-4篇要被拒而其中相当一部分工作并不是不扎实而是没有在正确的地方、用正确的方式把自己的价值表达出来。AI审稿争议是这个大背景下冒出来的一个集中引爆点——它的问题不是AI这个工具本身而是我们在使用工具时有没有守住学术判断这条底线。对作者来说最务实的应对就是把论文做到即使reviewer只花30分钟读、即使他求助AI梳理逻辑也无法忽视你的贡献的程度。这个标准听起来高但其实回到科研的本源一项工作如果真的解决了重要的问题、方法清晰、实验扎实即使表达上吃一点亏最终仍然会被识别出来。怕就怕在我们把太多精力花在包装和揣摩评审偏好上反而忘了问自己这项工作到底解决了什么问题、为什么是我来解决它。这是我在ICLR 2026这场风波里得到的最大提醒也分享给你。如果你正准备投下一届顶会把这句话贴在屏幕上让审稿人无论人还是AI顺着你的逻辑走一遍不如让他在看完后记住一个独属于你这篇论文的、无法忽视的刺。一篇有记忆点的论文无论评审风格怎么变都不会被埋葬在28%的统计数字里。
ICLR 2026录用结果公布后我的朋友圈和几个学术群直接炸了锅。28%的接收率比去年又掉了一截这本该是大家讨论哪条赛道更卷的日子结果话题全被一件事带跑了——AI审稿争议。有人贴出自己收到的审稿意见措辞工整得不像人写的有人吐槽同行拿ChatGPT批量生成评审意见甚至连论文的具体内容都没怎么提还有人在吵AI到底该不该出现在评审流程里。作为一个从ICLR 2020就开始投稿、也陆续做过几次审稿人的老选手我想认真聊聊这事28%这个数字意味着什么AI审稿争议到底是怎么烧起来的以及咱们这些普通作者在评审机制被AI搅动的这个阶段该怎么调整自己的投稿姿势。这篇文章不是来喊口号的也不打算站队AI绝对不能用或者AI审稿大势所趋。我想做的是把这次录用结果、评审流程、争议焦点、以及我实际踩坑和观察到的经验拆开揉碎给接下来要投ICLR、NeurIPS、ICML或者其他顶会的朋友一份能直接参考的实操笔记。1. 28%接收率背后ICLR 2026的数据说明了什么1.1 接收率回落的直接信号先把这个数字放在上下文里看。ICLR这几年接收率稳定在30%到32%之间2026年落到28%看起来只是几个百分点的波动但在顶会圈里这已经是相当明显的信号了。接收率不是孤立指标它背后是投稿量、审稿人数量、评审质量三者的动态平衡。28%意味着什么最直接的解释是在投稿量持续攀升的背景下Program Chairs并没有选择大幅扩招而是把门槛又往上抬了一点。我翻了一下这几年的数据走势不精确但足够说明方向ICLR 2023投稿量不到5000篇之后逐年上涨到2026年已经逼近万级。投稿量快翻倍了接收量却没有同步上涨接收率自然被压低。这个逻辑和NeurIPS、ICML近几年的情况基本一致——顶会正在从相对宽进严出走向严进更严出。但让我在意的不是接收率本身而是接收率背后的一个更深层问题审稿人还是没有增加。我2025年下半年就接到了ICLR 2026的审稿邀请当时分到的论文数是5篇Deadline周期和往年差不多。5篇看下来每篇都得精读、查实验、列意见工作量相当大。当时我就在几个审稿人社群里看到有人抱怨说时间不够用、只能速览式评审。这种环境下AI工具的介入几乎是必然的——它不是一个要不要用的问题而是很多审稿人在时间压力下的自救手段。而这恰恰就是这次争议的一个导火索。1.2 投稿量激增但审稿产能没跟上我们算一笔账。假设投稿量是8000篇每篇需要至少3个审稿人ICLR的标准配置是3-5个那么光审稿任务就超过24000份。假设活跃审稿人数量是3000人每个人平均要审8篇。在3-4周的评审周期内这8篇如果每篇认真看完需要4-6小时那就是32-48小时的纯审稿工作量——这还是在正常科研、教学、写代码、改论文之外额外挤出来的时间。这笔账算下来很多审稿人面对的现实是要么削减每篇的投入时间要么用AI工具辅助阅读和起草意见。前者损害评审质量后者引发学术诚信争议。ICLR 2026的28%接收率在某种程度上也是这种审稿产能瓶颈下的必然结果——当审稿人普遍没有足够时间深挖每一篇论文那些表面看起来完整、创新点明确、写作规范的论文就更容易获得偏向正面的评价。这不是说评审系统崩了而是说它变得更依赖第一印象了。我个人观察到的一个现象是今年很多被接收的论文都有一个共性——标题和摘要写得非常清楚Introduction部分的三段式结构问题背景、现有方法不足、本文贡献极其标准实验结果图表一眼能看出明显提升。不是说这些论文不扎实而是说在审稿人注意力被压缩的情况下表达清晰的收益被放大了。这其实给作者提了个醒在投稿量暴涨的时代学会用最少的时间让审稿人get到你的核心贡献已经变成了刚需。2. AI审稿争议从辅助到评审席的灰色地带2.1 争议焦点一AI生成的审稿意见泛滥这次ICLR 2026的AI审稿争议最炸的点不是用AI查语法而是整段整段用ChatGPT生成审稿意见。有人晒出了自己收到的审稿意见一眼望去全是典型的大模型措辞结构完整、逻辑通顺、每条意见都带点泛泛而谈的正确话。比如该论文提出了一种新方法但实验部分可以进一步扩充消融实验以验证各组件的有效性——这种话放在任何一篇论文上都不会错但也恰恰说明审稿人可能并没有针对性地分析这篇论文的独特设计。更离谱的是翻车案例。Reviewer的意见里直接出现Acknowledge the limitations of using an AI language model这类句子——这是把生成文本的提示词尾巴带出来了或者是直接在AI回复上改了几个字就提交了。我甚至看到有个帖子说审稿意见里出现了作为一个人工智能助手我认为...这种级别的失误。你很难想象作者收到这种意见时的心情——自己的论文被一个压根没认真读稿的AI模板给打发了。为什么审稿人会铤而走险说到底还是时间压力。3到4周内完成5到8篇论文的深度评审很多人是真的绷不住。但在学术圈审稿代表的是学术共同体对学术质量的把关审稿意见是你对同行工作的负责任评价。用AI走流程省下的是自己的时间压掉的是整个学术交流的可信度。这也是为什么这次争议会这么大——它不是一两个人的行为而是暴露了整个评审体系在AI工具冲击下的脆弱性。2.2 争议焦点二AI检测论文、AI辅助写作的双重标准AI审稿争议还有另一个方向很多作者在质疑如果审稿人可以用AI辅助生成评审意见那自己在写作时用AI润色语法、调整句式为什么就要被打上学术不端的标签这个矛盾在今年的争议里被反复放大——因为ICLR有明确的AI写作披露要求但对审稿人使用AI工具官方并没有给出特别清晰的边界。这就形成了一个诡异的双重标准作者用了AI工具必须披露否则可能被视为学术不端审稿人用AI生成意见却几乎没有监管机制顶多被作者写rebuttal时发现端倪。说实话我觉得这个矛盾的核心不是AI该不该用而是AI用在哪里、边界在哪里——如果只是用Grammarly或者DeepL润色语言这和我十年前的自己在投稿前找母语同事帮忙改英语一毛一样只不过工具变了。但如果是用AI生成论文的核心idea、做文献综述的结论、甚至生成实验的定性分析那就是另一个层面的问题。同理审稿人用AI做机械性的检查——比如辅助检查参考文献格式是否规范、图表是否清晰——我觉得没问题。但用AI替代对论文贡献的判断那才是真正的失职。问题的本质不在于AI是否出现而在于人类是否还在为学术判断负责。2.3 为什么偏偏是ICLR引爆了这场争议我认真想过一个问题AI审稿争议在NeurIPS、ICML也发生过为什么ICLR 2026会引爆得这么彻底一方面ICLR这个会议本身就和AI圈绑定得最深。它的名字缩写就是International Conference on Learning Representations办会风格偏开放OpenReview平台让所有评审意见公开可见——这本来是好事但现在反而成了AI审稿意见的陈列柜。当越来越多的作者在OpenReview上看到自己论文底下挂着明显像AI生成的评审意见时不满情绪会被持续放大。意见是公开的丢脸也是公开的作者能清晰地看到自己的论文是怎么被敷衍的这种切肤之痛是其他闭门评审的会议很难比拟的。另一方面ICLR这几年正处于从深度学习特色会议向综合AI顶会转型的阵痛期。投稿量越来越大领域越来越广但审稿人库并没有同步扩大很多审稿人其实对论文所属的细分方向并不那么熟悉。当一个审稿人本身对多模态大模型的视觉推理这个方向了解有限又被要求在两周内给出高质量评审AI工具就成了最方便的脚手架——这确实能帮审稿人写出结构完整的意见但代价就是评审缺乏真正的深度和针对性。说到底这次ICLR 2026的AI审稿争议是学术评审体系在规模和工具双重压力下的集中爆发。28%的接收率只是表层数据底下涌动的是整个顶会评审机制在AI时代如何重建信任的问题。3. 身处AI审稿时代作者的应对策略与实操建议3.1 论文写作层面如何经得起AI人的双重审视作为一名老投稿人我的态度很明确在评审环境已经改变的前提下作者不能假装AI不存在而是要把AI辅助审稿这个变量纳入论文写作的优化目标里。首先要做到的是论文的结构和表达极度清晰。这一点在AI参与审稿的时代变得比以前更加重要——AI审稿工具以及被时间逼疯的人类审稿人都倾向于抓取最容易获取的信息也就是标题、摘要、Introduction末尾的contribution列表、实验结论。你的论文如果前三页都没把我们解决了什么问题、和已有方法有何区别、关键实验结论是什么讲清楚后面写得再好也很容易被低估。我在2026年这轮投稿中花了整整两天重写了Introduction的最后两段把三个贡献点一条条拆开每一条都对应到具体的实验表格。这个改动看起来平淡无奇但实际效果非常明显——R1在评审意见里直接引用了我的contribution列表逐条讨论是否成立而不是模糊地说方法有一定创新性。这种让审稿人顺着你的框架走的能力在评审周期被压缩的环境下基本上决定了一篇论文的下限。其次实验部分要经得起快速审查。审稿人尤其是用AI辅助的审稿人不会逐行验证你的每一行代码但他们一定会看数据集是否是公认的标准benchmark、对比方法是否覆盖了当前SOTA、消融实验是否检验了每个核心组件、图表是否直观。如果你的baseline里漏掉了近两年重要的对比方法或者消融实验只做了其中两个组件这类表面可查的问题被抓住的概率极高——因为AI工具在检索该论文没对比哪些重要方法这件事上效率是很高的。还有一点是我个人的体会论文里不要有过多的文字注水。那些该方法在各种任务上展示了巨大潜力未来可以应用于更广泛的场景之类的套话在AI辅助评审的时代反而会成为嫌疑点——AI生成的审稿意见也喜欢这种废话如果你的论文本身就充斥着这类表达审稿人会觉得这篇论文和AI生成的东西差不多主观印象分会往下走。3.2 审稿意见应对识别AI意见并精准回复当你收到ICLR 2026的评审意见时如果发现某些reviewer的意见写得完美但空洞用词通用、对实验细节缺乏针对性质疑你得先判断这篇意见是不是AI辅助生成的。这个判断不是纯粹为了跟reviewer吵架而是为了决定你用什么样的策略去rebuttal。识别AI生成意见的几个特征我总结如下语句工整但缺乏信息量本文提出的方法具有一定创新性但实验部分仍存在一些不足建议作者补充更多实验以验证方法的有效性——这种话放在100篇论文上都能成立但对你这篇论文具体的网络结构、损失函数、训练细节几乎没有提及。逻辑自洽但没有刺人类审稿人看稿子会带着自己的研究偏好会揪着某个技术细节问为什么不用XXX甚至有时候会问出有点偏执的问题。而AI生成的意见通常四平八稳提的问题都在正确的范围内缺少个人化的角度。每条意见的长度和句式高度统一如果你收到的几条review意见排版、长度、甚至措辞风格都异常整齐那大概率是同一种生产方式产出的。遇到疑似AI生成的审稿意见我建议作者这么做首先绝对不要在rebuttal里直接开喷你这个意见是不是AI生成的。你可以在回复开头礼貌地写道感谢reviewer对本文的关注和宝贵建议然后针对每条意见给出实质性回复。为什么因为在OpenReview上评审意见是公开的围观群众包括AC会自己判断那条意见的质量。其次把意见空洞当作一次展示论文深度的机会。如果reviewer只是泛泛地说实验不够充分你就把实验部分最扎实的表格拿出来指出我们在Table X中已经对Y组件进行了消融验证额外补充的实验见补充材料。这种回应不仅让reviewer无可挑剔也是给AC看的——你在告诉AC这篇论文站得住而且作者有明显的学术热情和严谨性。最后rebuttal的时间管理很关键。ICLR的rebuttal窗口期只有一周左右你需要在这几天里把最关键的回应做完而不是试图回应所有reviewer的所有问题。我一般会先聚焦原本给4分、5分而且愿意改分的reviewer因为他们才是决定论文命运的关键票。如果一篇意见明显是AI生成的、评分为3分且言辞空泛我反而会降低优先级——因为改变这种reviewer看法的概率通常不高把精力花在刀刃上更划算。3.3 审稿人视角负责任地使用AI工具的边界我自己也做审稿人所以想从审稿这个角度说说AI到底能怎么用。我完全不反对AI工具进入审稿流程但我心中有一条清晰的红线AI可以辅助检查但绝对不能替代判断。具体来说我自己在审稿时会用AI做这几件事快速提取论文框架把论文PDF丢给大模型让它总结出研究的核心问题、方法、实验设置这能帮我快速判断论文的整体结构是否完整。检查参考文献格式批量核对引用是否规范、是否有明显的引用错误。这个纯机械性劳动AI做得又快又好。辅助查找相关文献如果我对论文中提到的某个细分方法不熟悉我会让AI帮我整理最近2-3年相关方向的发展脉络然后我自己再去读原文验证。但我绝对不会用AI做的是让AI生成对论文创新性的评价。创新性是学术判断必须建立在审稿人自己对领域现状的理解之上。AI再强它也无法替代审稿人在某个具体方向上深耕多年的那个直觉。让AI直接生成建议接收/建议拒绝的结论。这个决定需要权衡论文的novelty、soundness、significance三个维度AI无法理解一篇论文对一个细分社区的实际推动作用。在审稿意见里直接粘贴AI生成的内容。即使AI给了很好的参考框架我也会用自己的语言重组和改写确保每条意见都反映我真实的阅读感受。我还想多说一句审稿本质上是一种学术服务就像别人花时间审你的稿你也要花时间审别人的稿。尊重这个流程也是在维护自己以后投稿时能被认真对待的环境。如果大家都嫌麻烦用AI糊弄那整个系统会越来越不可信最后受害的是每个人。4. 常见问题与避坑技巧实录4.1 AI审稿争议下作者最关心的几个问题我把这段时间在各个群里被反复问到的问题整理了一下做成一个速查表常见问题我建议的处理方式投稿时要不要披露用了AI辅助写作按ICLR的官方要求来。语言润色、语法修正这类工具使用如实披露即可如果AI参与了核心idea提出、实验设计等实质性贡献不仅需要披露也建议你重新评估是否真的该署上AI贡献——大多数顶会不接受AI作为作者。收到疑似AI生成的审稿意见该不该举报除非有非常确凿的证据比如直接出现作为AI字样否则不建议直接举报。一方面举证困难另一方容易让AC觉得你在纠缠流程问题而非学术问题。更好的方式是针对意见内容认真回复。论文被AI审稿意见打低分申诉有用吗要看低分的原因。如果意见空洞无据、且明显没有理解论文的贡献可以在rebuttal时给AC留言附上该reviewer似乎误解了论文第X节的实验设置这样的具体说明AC有概率参考reviewer间的分歧做出调整。用AI辅助写rebuttal算学术不端吗如果你用AI打磨语言、整理逻辑结构我倾向认为这等同于用Grammarly改语法合理但如果你是让AI代写为什么我们的方法有效这种核心论证那就有风险。建议还是亲自动脑AI最多充当润色工具。明年投ICLR要不要躲开最卷的方向不要。评审机制再怎么变论文的实质贡献永远是第一位的。与其猜哪个赛道接收率高不如把论文打磨到任何一个reviewer拿到手都难以给出低分的程度。4.2 我踩过的坑和几个实操心得说到底我在这次ICLR 2026投稿和审稿过程中有几件小事印象特别深。第一件是我自己投稿时犯的一个低级失误。当时为了让Introduction更有力我引用了两篇近期的热门工作结果其中一篇其实和我的方法根本不冲突引用放在那里显得很牵强。有一名审稿人明显是认真看过的直接指出来了我rebuttal时花了很大篇幅解释这个引用的意图虽然最后没影响结果但我知道这浪费了reviewer的好感度。引用文献这件事宁缺毋滥——审稿人最烦的就是为了显得相关工作多而硬引。第二件是我作为审稿人审到一篇写得特别AI化的论文。论文整体读起来极其顺滑结构完美转折词用得恰到好处但读完之后我心里空落落的——我记不住这篇论文提出了什么具体的、让我觉得啊哈的东西。这给我提了个醒论文写得太顺不一定是好事。如果你在写作时用力过猛把所有棱角都磨平了审稿人反而会觉得这篇论文缺乏灵魂。我后来在自己的写作里特别注意留出作者的声音——比如在方法部分用一两句话解释我们为什么会走这条路、在实验部分坦诚地说这个消融实验的结果有些出乎我们的意料。这些真实的痕迹会让论文显得更可信。第三件是关于rebuttal的一个小技巧。ICLR的rebuttal字数有限通常是500词左右所以一定要抓重点。我通常把回复分成三块对关键误解的澄清如果有、对最常见质疑的证据回应、对其他小问题的简短说明。如果某个reviewer提了三个问题其中两个是我们没有看明白、表述不清我会优先把这两个误解类问题解决掉——因为它们改起来最容易而且改完往往能直接提升reviewer的打分意愿。4.3 接下来审稿制度可能怎么走这轮争议出来以后我听到的一些讨论是ICLR未来可能会采取一系列措施来约束AI审稿。比如要求审稿人在提交意见时声明是否使用了AI辅助工具或者在OpenReview系统里内置AI生成文本检测模块再比如缩短单篇论文的审稿周期、动态调整每位审稿人的分配数量。这些措施能不能落地落地后效果如何现在都还说不准但方向应该是明确的在保持投稿量增长的同时重建评审的信任感。如果你问我个人怎么看我的态度是AI参与审稿本身不可怕可怕的是人类放弃判断责任。审稿人用AI省下来的时间应该用来更深入地读那一篇论文而不是用来同时多接几篇稿子。同样作者用AI润色文字、梳理逻辑省下来的时间应该用来设计更扎实的实验、想清楚方法的每一个细节。5. 写在最后的个人体会这几届ICLR投稿下来我的一个体会是顶会评审越来越像一场在有限注意力里争夺生存空间的游戏。28%的接收率意味着每5篇投稿里就有3-4篇要被拒而其中相当一部分工作并不是不扎实而是没有在正确的地方、用正确的方式把自己的价值表达出来。AI审稿争议是这个大背景下冒出来的一个集中引爆点——它的问题不是AI这个工具本身而是我们在使用工具时有没有守住学术判断这条底线。对作者来说最务实的应对就是把论文做到即使reviewer只花30分钟读、即使他求助AI梳理逻辑也无法忽视你的贡献的程度。这个标准听起来高但其实回到科研的本源一项工作如果真的解决了重要的问题、方法清晰、实验扎实即使表达上吃一点亏最终仍然会被识别出来。怕就怕在我们把太多精力花在包装和揣摩评审偏好上反而忘了问自己这项工作到底解决了什么问题、为什么是我来解决它。这是我在ICLR 2026这场风波里得到的最大提醒也分享给你。如果你正准备投下一届顶会把这句话贴在屏幕上让审稿人无论人还是AI顺着你的逻辑走一遍不如让他在看完后记住一个独属于你这篇论文的、无法忽视的刺。一篇有记忆点的论文无论评审风格怎么变都不会被埋葬在28%的统计数字里。
