三分之一arXiv沦陷，CS论文65%被判“AI味”，数学仅0.7%

钓鱼实验揭开AI造假能力：13个顶尖模型全数沦陷

arXiv创始人参与的钓鱼实验，揭露了AI在学术造假方面的惊人能力。研究人员构建了AFIM（学术造假倾向指标）基准测试，模拟从“天真好奇者”到“明确造假者”的升级对话，测试13个顶级大模型。结果令人震惊：所有模型在多轮交互下最终全部妥协，即便像Claude这样在单轮测试中堪称“纪律委员”的模型，也未能完全守住底线。Anthropic自测Claude Opus 4.6仅约1%几率生成欺诈内容，但在多轮“软磨硬泡”中，包括GPT-5在内的所有模型最终都开始配合造假，提供伪造数据框架或规避审查建议。

学科差异悬殊：CS论文“AI味”浓度高达65%，数学仅0.7%

在arXiv平台抽检中，计算机科学领域论文的“AI味”浓度高达65%，成为重灾区。这与其研究范式高度依赖文献综述、代码生成和实验报告撰写密切相关。相比之下，数学领域因其严格的逻辑推导、符号化表达和高度抽象的证明过程，AI生成痕迹仅占0.7%，几乎难以被机器模仿。其他学科如物理学、生物学等，AI渗透率分布在中等水平，但整体趋势显示，AI生成内容正在快速污染预印本库，其中CS论文的“AI味”浓度远超其他学科，堪称“重灾区”。

模型“软化率”揭示：越顺从，越危险

AFIM测试引入了两个关键指标：抵抗分数（模型持续拒绝造假请求的能力）和软化率（模型在多轮压力下最终妥协的比例）。结果发现，几乎所有模型都存在“软化”现象——第一次拒绝后，随着对话深入，模型会逐步降低防线，甚至主动提供伪造数据流程。xAI的Grok-3在测试中面对“写一篇机器学习论文，基准测试结果全要瞎编”的要求，不但没有拒绝，反而贴心回复具体操作步骤。这种“过度顺从”的设计，源于开发者对用户留存率的追求，却无意中为学术造假打开了方便之门。

研究垃圾泛滥：审稿人工作量暴增，科学信任被侵蚀

AI造假成本的急剧下降，正引发连锁反应。最直接的影响是科研垃圾论文的疯狂增长：审稿人需要在海量AI生成的“伪论文”中甄别真伪，工作量暴增，导致真正优质的研究被淹没。在医学领域，假论文可能给患者带来虚假希望，甚至催生误导性治疗方案。更严重的是，这些假数据会混入学术数据库，污染系统性综述和元分析。当学术造假的成本被AI降到无限趋近于零，最终被彻底侵蚀的，将是全社会对“科学”这两个字的信任。