ICLR 2026出分，审稿员怒喷「精神病」！DeepMind研究员教你绝地求生

新智元报道

编辑：KingHZ

【新智元导读】ICLR 2026评审结果震撼出炉：投稿量暴增至近2万篇，却迎来分数大滑坡，平均分从5.12跌至4.2。审稿人吐槽论文质量低下，甚至疑似AI生成，这场学术盛宴为何变味？

ICLR 2026评审结果公布了！

这届ICLR论文投稿数量创历史新高。

根据Paper Copilot网站统计，与2025年的11672篇总投稿论文相比，ICLR 2026共有19631篇投稿，数量增加了，但质量却下降了——

ICLR 2025最高分为满分10分，ICLR 2026最高为8.5；

ICLR 2025平均分为5.12分，ICLR 2026平均为4.20。

链接：https://papercopilot.com/statistics/iclr-statistics/iclr-2026-statistics/

已有多名投稿人经历人生中第一次在ICLR上获得0分：

左右滑动查看

国内有投稿人甚至3篇投稿「全军覆没」，发推感叹独特的人生经历：

左右滑动查看

ICLR 2026将于明年4月23日至27日，在巴西里约热内卢举行。

与NeurIPS和ICML一样，ICLR是机器学习和人工智能研究领域中三大高影响力的会议之一。

ICLR，全称「International Conference on Learning Representations 」（国际表征学习大会），在2012年由图灵奖得主Yann LeCun和Yoshua Bengio创立。

ICLR 2026平均得分低了近1分

总体上，ICLR的分数平均值比去年下降了近一个点：

2026年：前30%的提交分数超过约5.0分

2025年：前30%的提交分数超过6.0分

生物医学工程博士Afshin Khadangi使用API获取了19129条评审意见，总结了其中的一些亮点：

仅有1792篇（约9%）论文的平均评分达到6分及以上。

1篇论文（id 12681）获得了9条评论！

在个人评分中，平均值为4.22，标准差为1.86，来自74,371条评论。

审稿人Cheems Wang注意到所在领域没变论文至少有一个极端分数，今年的评分确实保守了。

审稿人Yu Su也注意到平均分有些低，225篇论文中只有18篇论文平均初始得分超过了6分，勉强达到会议接受底线。

清华大学博士、普林斯顿博士后发现了ICLR 2026明显的评分模式：

提交ID越高，评分似乎越低。

有人两年前就发现类似模式了：

让人大吃一惊的是，评审现场惊现「精神病」评论：

如此激烈的审稿现场，引起Reddit网友围观：

现在原始的审稿意见已删除，审稿人为自己的冒犯性言论道歉，但坚持称提出的论文问题没有任何错误。

另一位来自亚马逊的一位ICLR审稿人也有牢骚：

在审稿意见刚公布后，我所负责的一篇论文就被撤稿了。

而且今年在多个顶级会议上，他已经遇到好几次类似情况。

他表示，这类论文往往写得很差，充斥着未经定义的新术语、缺失引用，甚至有些段落看起来像是AI生成的。

审稿人常常要花五六个小时去搞懂作者的方法和实验（而这些实验通常也不怎么样），结果最后论文一撤了之，换个会议重新投。

如果作者不做改进，新的审稿人也还得再受一遍罪。

他提议：「是否该设立某种机制，对那些频繁撤稿或无故跳过rebuttal阶段的作者，给予临时投稿禁令？」

不过，他之后另发推文表示，某些论文和评审的质量之低，让人沮丧。

他认为，这种沮丧很大程度上源于大家对论文和评审质量分布的期望：

论文质量并不遵循正态分布，而我们却常常试图给出遵循正态分布的评分。下限远比上限离平均值更远。评审质量也是如此。

但我们期望正态分布，也就意味着我们期望低质量的论文或评审很少，但这并非现实。

这种对正态分布的错误假设在生活中许多领域都存在，正如塔勒布的《黑天鹅》中揭示的。

Meta的研究人员Tarun Kalluri则表示，作为审稿人，列表上一半的论文他花的时间比作者还多。

也有审稿人表示，一旦发现「屡投屡拒」的低分论文，他会马上确认观点，提交简短的评论，避免浪费时间。

不少投稿人对AI顶会的同行评议，意见也很大。

而类似一幕在ICLR 2026也上演了——

图宾根大学博士生Alexander Panfilov直接说续集已面世。

原因竟是论文中提到「白箱 VS 黑箱」，被认为这些词汇「带有种族歧视的隐含意义」，要求小改。

DeepMind研究员

评审是「随机数生成器」

DeepMind研究员Neel Nanda祝贺了所有投稿人，并提供了一份论文反驳（rebuttal）指南。

链接：https://www.lesswrong.com/posts/vJNQZqgnKSxTBdFbS/neel-nanda-s-shortform?commentId=qqHPrBheFwQgrJbzN

他给出的建议就是要大家记住一件事——

同行评审已经被正式验证是一种「随机数生成器」。

在一项随机对照实验中，哪怕是被评为「重点报告」的论文，换一个审稿组也有一半被拒。

所以，别把自我价值寄托在这轮学术轮盘赌是落在红格还是黑格上。

如果评审的批评听起来不太靠谱——那很可能确实如此（也不排除是某个大语言模型写出来的）。

但如果评审意见有道理（当然你得克服自己的防御心态来看），那就太好了——你得到了能让论文变得更好的宝贵反馈！

这份反驳指南本来是为了顶会NeurIPS而写，但就ICLR来说，Neel Nanda认为以上情况依然普遍存在。

但不同之处在于，ICLR更鼓励作者在rebuttal阶段补充重要实验，并上传修订稿。我确实看到ICLR的打分变化幅度通常比其他会议大，但这也意味着需要付出更多额外工作。

另外请注意，ICLR的所有论文和评审意见都是永久公开的，还会被Google检索收录——

所以即便你觉得这篇论文没希望了，也还有动机写清楚为什么评审意见不合理。

他推荐的rebuttal流程如下：

1.把所有评审意见复制到一个Google文档里；

2. 给每一条意见做批注，把它们归类为：

3. 误解、观点不一致、表述问题、技术问题；

4. 和合作者一起讨论如何逐条回应——优先处理重要的；

5. 然后，写出要点提纲，尽早请人反馈；

6. 最后润色整理好，提交。

通常你需要针对每位评审写一段回应，并总结多位评审提出的问题。

牢记「反驳」阶段的三个核心目标：

1. 改进论文。其实，评审经常提出一些有用的建议，既然是做科研，最终还是为了把研究做好、把成果清楚传达出去。

2. 说服评审打高分。争取让他们对你产生好感，自然更愿意调高分数。

3. 对付不讲理的评审。如果某位评审明显针对你，那核心对象就变成了领域主席和其他评审——你要用有理有据的回应，让他们意识到这位评审的意见站不住脚。换句话说：哪怕是针对性很强的批评，也要认真回应，只是说服的对象换了。

最重要的一点：让人相信你真的改进了论文。

而且，时间是有限的，你希望最大化单位时间内的回报，而新的实验通常比撰写或概念反驳要花费更长的时间——谨慎地进行优先级排序。

参考资料：

https://x.com/ShuaichenChang/status/1988626893273468976

https://x.com/ShuaichenChang/status/1988719279580274768