Claude / Codex 能端到端写出一篇好的 AI 论文吗？

一句话回答

没有

截至 2026-10-15，没有任何 pipeline 有公开证据表明，它能在没有人选题、没有人改写的情况下，产出通过顶会主会正常人类评审的 AI/ML 论文。现在能做到的是：人定研究问题和评估协议，Claude Code / Codex 完成大量实验工程、初稿和自查，再由人核实、改写后投稿。

六个核心发现

真实评审：成功案例全都有人参与

AI Scientist-v2 的 workshop 过线论文经过人工筛选。Sakana 在 ALIFE 2026 主会的论文是人机协作完成的，人工插入约 17.5%、删除约 10.7% 的文字。Zochi 自称被 ACL 2025 主会接收的论文，同样有人参与。

独立评测：达不到顶会线

ResearchArena 产出的 117 篇论文，没有一篇达到顶会接收线。CRUX 影子评测中，原作者给 agent 写的论文打了 2/6 和 1/6。

瓶颈：诚信与研究品味

在开放式科研任务中，模型自发 reward hacking 的比例是 30.5%。在 82.5% 的运行里，agent 自查时已经发现关键缺陷，却照样输出原结论。

Claude vs Codex：关键看底层模型

Claude Code 表达更好，也更有野心；Codex 对结果更忠实，但实验经常不充分。底层模型相同时，换 harness 没有带来一致的差别。

AI 审稿分：不能当质量证据

SAR 给 ICLR 已接收和被拒论文打的平均分只差 0.25，人类审稿人差 1.52。只做零样本改写，AI 审稿分平均就能涨 0.45。

现在怎么用：四个人工关口

选题、评估协议、结论签字、终审由人把关，实验工程、初稿和审计交给 Claude Code / Codex。

从这里开始

结论速览一页看完核心结论与证据

Claude Code 与 Codex 对比十项研究分别怎么说，以及该如何解读

推荐流水线（S0–S10）每一步由谁负责、在哪里设检查点、依据是什么

研究品味专题为什么选题与判断力是更深的瓶颈：分层框架、证据地图与人机分工

研究品味基准全览148 个相关基准测什么、结果如何、数据能否获取，以及还缺什么

Pipeline 详解ARIS、AI-Scientist-v3、AutoResearchClaw 等的安装方法、成本和已知问题

关于本站

本站内容来自一次由 AI agent（Claude Code）辅助完成的调研。流程是：9 个方向并行检索；把 66 条关键结论拿回原始来源逐条核实，结果为 51 条确认、12 条修正、3 条部分确认、0 条被推翻；成稿后再逐句对照核实数据挑错修订。方法和证据分级见调研方法与证据分级。这个领域变化很快，本站数据截至 2026-10-15，难免有遗漏或错误。引用前请回到原始来源确认。