研究论文
ML 顶会评审改革新提议：引入「OpenReview 积分」激励系统
一篇立场论文指出 ML 顶会同行评审体验普遍欠佳，主张以积分制信用体系替代单纯呼吁改进。
2026.08.18 · 周二约 2 分钟阅读
机器学习（ML）领域是当今学术界投稿量最大、影响力最强的学科之一，但顶会同行评审的体验却长期饱受诟病。arXiv 上新发布的一篇立场论文（arXiv:2608.14571）直言：「几乎每位研究者都对自己的评审体验有不少怨言」，并呼吁以可执行的程序保障配合类似货币的积分体系来推动实质性改革，而非继续在征稿启事或评审指南里温和地提建议。
论文聚焦的两个核心问题
作者把讨论收敛到两个互相关联的问题：
- 如何合理限制投稿量：ML 顶会投稿规模持续膨胀，但缺少类似期刊版面费的硬性约束，单纯呼吁作者克制效果有限。
- 如何激励好评审、抑制差评审：在 OpenReview 等公开评审平台上，评审质量缺乏可量化的反馈与奖惩机制。
论文首先评估了现有做法的优势与不足，围绕四个主流会议机制给出评判，并提出两项替代设计方案。
核心提议：OpenReview Points 积分制
作者的核心主张是，仅靠礼貌性的「最佳实践建议」无法带来有意义的改善，改革必须依赖两点：
- 可执行且细粒度的程序保障，从制度层面减少低质量评审或敷衍打分。
- 类货币的积分系统，以「OpenReview Points」为代表：ML 从业者通过高质量评审实践「赚取」积分，再跨多个顶会「花掉」积分兑换不同权益，例如免费注册名额、申请额外评审资源等。
这种设计借鉴了博弈论中的激励机制，把评审贡献从「道德义务」转化为「可累积、可兑换的资源」，作者认为这是让评审人持续投入的正向循环。
局限与待观察之处
需要指出的是，本文是一篇立场论文（position paper），目前仅披露了摘要层的观点与机制设想，尚未公开：
- 具体的积分发放与回收规则细节；
- 在 NeurIPS、ICML、ICLR 等会议上的试点数据；
- 与现有 OpenReview 双向互评政策的兼容性分析。
该提议能否被 ML 顶会组织方真正采纳，仍有待后续完整论文与社区讨论验证。