深入审查示例输出

输出示例：

uv run python -B "$SKILL_DIR/scripts/prepare_review_workspace.py" paper.tex --output-dir ./review_results
uv run python -B "$SKILL_DIR/scripts/audit.py" paper.tex --mode deep-review --scholar-eval
uv run python -B "$SKILL_DIR/scripts/consolidate_review_findings.py" ./review_results/paper
uv run python -B "$SKILL_DIR/scripts/verify_quotes.py" ./review_results/paper --write-back
uv run python -B "$SKILL_DIR/scripts/render_deep_review_report.py" ./review_results/paper
uv run python -B "$SKILL_DIR/scripts/render_deep_review_report.py" ./review_results/paper --style peer-review

---

深度审查报告

纸：paper.tex |语言：EN|模式：深度回顾

总体评价

该论文解决了一个重要问题，实证设置很重要，但核心贡献目前因三个问题而被削弱：摘要声称的收益比实验支持的更广泛，比较协议为所提出的方法提供了相对于基线的额外灵活性，并且一个附录表与标题改进数字不符。这些是可以修复的，但它们不是装饰性的。

• 专业：3
• 中等：2
• 次要：2

主要问题

M1：标题效率声称胜过证据

• 类型：claim_accuracy
• 来源：[LLM] 通过claims_vs_evidence
• 部分：摘要
• 引用：Our method achieves state-of-the-art efficiency across long-document understanding tasks.
• 说明：结果表仅支持超过 8K token 的序列的此声明。对于较短的序列，最佳基线是可比较的。

M2：比较协议不对称

• 类型：方法论
• 来源：[LLM] 通过evaluation_fairness_and_reproducibility
• 部分：实验
• 引用：We tune our method over three retry runs while reporting each baseline once.
• 解释：这使得所提出的系统比基线有更多的成功机会，并削弱了标题比较的公平性。

中等问题

O1：附录总数与标题改进不符

• 类型：claim_accuracy
• 来源：[LLM] 通过notation_and_numeric_consistency
• 部分：附录
• 引用：Average gain: 12.4
• 说明：附录中列出的每个数据集的平均增益为不同的值。

修订路线图

优先级1

• [ ] 限定摘要和结论中的标题效率主张。
• [ ] 在对称评估条件下重新运行主要比较。

优先级2

• [ ] 将附录总计与标题指标进行核对。
• [ ] 添加有关该方法何时不主导基线的简短注释。