Rohan Paul

> 现在，人工智能在临床试验论文中发现的错误比人类同行评审员要多得多：所有 15 个测试模型在植入错误上的得分为 53% 至 96%，而未经训练的人类评审员的平均得分仅为 27%。 > 该结果适用于 2026 年发表的 58 项新试验，因此模型不仅仅是回忆他们在训练中看到的旧论文； Claude Opus 5.5 得分最高，为 99%。 > 人类会错过最能改变试验意义的错误，只有 7% 的时间发现文本与表格的矛盾，而且他们每次审核需要 5 到 8.5 小时，而人工智能则需要 1.4 到 16.3 分钟。