近期 AAAI-27 评审周期的报告指出，评审人可能通过协同投标获取互惠分配优势，这种合谋行为对评审系统的完整性构成潜在威胁。已有研究往往将投标、评审人分配和评审操纵视为独立阶段，未能揭示合谋投标在整个生命周期中的连锁效应。实际数据分析受限于合谋意图难以观测以及缺乏同一会议的对照实验。为填补这一空白，我们提出 CABAL（\alg），一个端到端的多智能体模拟框架。该框架在固定的会议环境下，使用大语言模型（LLM）驱动的评审人智能体，分别配置诚实和合谋策略，以评估投标阶段的行为对后续分配和评审结果的影响。
在投标策略方面，我们设计了一种基于相似度的合谋投标方法。该方法利用评审人与论文之间的相互亲和度构建合谋环，并在环内选择目标论文，使得攻击既符合评审人的专业领域，又避免了随意挑选导致的异常。实验结果表明，合谋投标能够将目标论文的捕获率提升超过两倍；在被分配到目标论文后，合谋评审人给出的评分平均比诚实评审人高约两分。尽管对单篇论文的影响显著，整体会议层面的评分偏差仍相对有限。
我们进一步评估了几种投标阶段的检测方法。固定三元组检测器在面对自然正向投标图时容易被良性亲和度干扰，导致误报；而仅关注“非常高”投标的诊断视角能够实现精准的局部恢复，但覆盖率较低。整体来看，现有检测手段对合谋投标的识别仍显不足。
点评