科学出版的快速增长使同行评审压力骤增，尤其在机器学习领域，导致评审质量下降、审稿人负担加重。大型语言模型（LLM）被提出作为自动化评审助手，但现有评估主要关注其模仿人工撰写的评审文本，忽视了评审的核心功能。
本文提出以“验证”为中心的视角，强调错误检测是资源密集且关键的任务。我们构建了一个可扩展的基准，通过在会议论文中合成插入错误，生成明确的评估目标，从而实现对系统识别逻辑矛盾能力的系统比较。
进一步，我们设计了多层次评审（Multi-Layered Review, MLR）框架，先让模型深入理解稿件，再生成评审意见，既贴近人类评审流程，又提升了 token 使用效率。
实验表明，该方法在与人工评审分数的对齐度、错误检测率以及对审稿人关注点的补充视角上均表现突出，优势来源于底层 LLM 的选择和系统设计的协同作用。与此同时，我们仍观察到对抗性干扰的脆弱性，强调自动评审系统的鲁棒性需求。
我们的工作凸显了以错误为中心的严格评估对于推动 LLM 在同行评审及其他关键科研工作流中的负责任部署的重要性。
点评