Auditoría de revisores por pares de IA: un benchmark sobre artículos científicos reales
La revisión por pares basada en LLM ya se usa a escala de producción, pero su evaluación sigue siendo limitada. Presentamos un benchmark que inyecta errores objetivos y localizables de cuatro tipos (problemas generales, matemáticas, numéricos, citas) en tres niveles de gravedad…
Traducción automática · Título original: Auditing AI peer reviewers: a benchmark on real scientific papers
arXiv astro-ph (IA)(abre en otra pestaña)Confianza 82 %