前沿实验室的人几乎不读论文了？
OpenAI 的一位研究员一句话扫射三大顶会：太多夸大其词和造假！
事情的起因，是一篇效果好得让人想不通的 ICLR 论文，网友研究了一下才发现其中的「秘诀」。
在顶会发论文都「进化」成这样了吗？
一看代码是否开源，二看实验方法里有没有藏着什么「歪门邪道」，三才是跑出来的结果又能不能支撑核心结论—— 这一层层拷问下来，顶会论文究竟有几篇经得起检验？
还真有人这么干了。
今年 7 月，由芝加哥大学计算机科学与数据科学副教授谭宸浩联合创办的 SAI，公布了一次大规模「实验审稿」。
他们选中的，是 ICML 2026 全部 168 篇 Oral 论文。
今年 ICML 共收到 23918 篇投稿，最终只有 168 篇获得 Oral 资格，占比约 0.7%。
换句话说，SAI 检查的已经是两万多篇投稿中筛出的最顶层。
除了和传统审稿人一样阅读论文的方法、实验设计和结果，SAI Review 还会下载代码、模型和数据，配置环境并运行实验，最后把运行结果与论文原文逐项对照。
SAI 审查了全部 168 篇 Oral，其中只有 104 篇论文代码开源，最终完成了 105 篇完整复现。
其中，只有 34 篇复现了超过 40% 的主张；复现比例超过 80% 的，只剩 8 篇。
无论每篇论文至少包含 1 项、3 项还是 5 项可验证主张，复现得分中位数始终在 28%—30%，整体分布变化不大。
排除未运行、提前中止或超出硬件能力的实验后，复现得分中位数仍只有 42%—50%；当每篇论文至少包含 3 项可验证主张时，中位数稳定在 42%。
复现里最常见的问题都遇到了：代码无法运行、文件缺失、说明不完整、依赖损坏，或者代码跑出的结果和论文对不上。
还有 4 篇论文依赖已经下线的模型。后来的研究者即使愿意花钱、花时间，也不可能重新得到相同结果。
SAI 还列举了两个更具体的例子。
一篇论文把「只训练基础模型0.77%的参数」写成主要卖点，实际发布的检查点却训练了6.31%的参数，约为宣称数字的8 倍
另一篇论文展示了由裁判模型评分的可靠性表格，开源代码中却找不到这个裁判模型，也没有脚本能够算出表格里的数字。
SAI 的复现结果可以说是相当糟糕。
更糟糕的是，这里发现的问题还只是「有条件被发现」的问题。
那些没有代码的论文，直接就「无懈可击」。
而即使代码完全公开，想要验证一篇论文，所花费的时间、精力和金钱都是巨额的，最后的结果还不如人意，不知道要多崩溃了。
按照 SAI 基于 Google Cloud 公开按需价格给出的估算，完整重跑一篇 ICML Oral 论文，成本中位数约为8900 美元。105 篇论文中，17 篇超过 10 万美元，最昂贵的一篇接近220 万美元
论文越依赖大规模算力，独立复现就越困难。
没有代码，别人无从检查；有了代码，也未必有人付得起这个成本。
于是，一篇存在问题的论文完全可能顺利通过评审、获得引用，再被写进简历，换来录取、教职或者大实验室的工作机会。
偶然有人发现结果对不上，会议也很少重新审查，论文也未必会被撤回。
这就是评论区所说的「做出糟糕的研究有收益，却几乎没有代价」。
在大模型领域，确实有许多真正重要的进展不再以论文的形式出现。
作为 OpenAI 的工程师，站在产业前沿，有这种感受并不难理解。毕竟有更充足的算力、更快的实验反馈和大量不公开的内部结果，有「不读论文」的底气。
但这么说出来，多少有点微妙。
一条评论讽刺科技公司里的人这样是「上岸后抽走梯子」：从高校招走研究人员，建立在学术界公开积累的成果之上，用更高的价格抢走人才和 GPU，自己越来越少接受同行评审，最后却转过头宣布学术研究「主要是骗局」
稍显刻薄，但确实有道理。
这些前沿实验室的人可以「不读论文」，但是想进入的人还是要先发论文。
对于缺少产业经历的学生和年轻研究者来说，顶会论文依然是证明研究能力最直接的凭证。
申请博士、寻找教职、进入 OpenAI 这样的前沿实验室，都要依靠论文获得关注度。
产业界的人在进入大实验室之后轻视论文，却仍然用论文数量、会议级别和引用成绩筛选站在门外的人。
论文于是陷入一种尴尬的位置：它在知识传播上的可信度受到质疑，在人才竞争中的价值却丝毫没有消失。
所以，「大实验室已经不读论文了」听起来稍显清高和傲慢。因为真正有资格不读论文的人，往往已经凭借论文跨过了那道门槛。
当然，也不是所有学生都是精心设计骗局的学术反派。
一位高校研究者开玩笑说，他倒希望自己的学生已经有能力写出一篇夸大其词甚至造假的论文。
有的人在「争做学术骗子」，而有的人还挣扎在 LaTeX。
https://x.com/MathewShen42/status/2084465434506768867
https://x.com/kellerjordan0/status/2084721463089902074
https://sai.science/blog/how-much-science-is-verifiable
https://x.com/mengyer/status/2085134204786921886
卓信宝配资提示：文章来自网络，不代表本站观点。
