临床试验论文审查研究：15 个 AI 模型查错率高于人工审稿人

AI 导读

一项临床试验论文审查研究发现，15 个受测 AI 模型在植入错误测试中的查错率为 53% 至 96%，未经训练的人类审稿人平均仅为 27%。结果在 2026 年新发表的 58 项试验中保持成立，其中 Claude Opus 5.5 得分最高，为 99%。人类仅能捕捉 7% 的文本与表格矛盾，单次审查耗时 5 至 8.5 小时，AI 则为 1.4 至 16.3 分钟。

正文 · AI 翻译

> AI 现在在临床试验论文中发现的错误，远多于人类同行评审：所有接受测试的 15 个模型在植入错误测试中的得分都在 53% 至 96% 之间，而未经训练的人类评审者平均仅为 27%。

> 这一结果在 2026 年发表的 58 项新试验中依然成立，因此这些模型并非只是在回忆训练时见过的旧论文；Claude Opus 5.5 得分最高，达到 99%。

> 人类往往会漏掉那些最能改变试验含义的错误，对文本与表格相互矛盾的问题，他们仅有 7% 的时候能发现；此外，人类每次评审需要 5 至 8.5 小时，而 AI 只需 1.4 至 16.3 分钟。