Claude Opus 4.8 vượt trội các chuyên gia con người trên mọi tiêu chí đánh giá

Một nghiên cứu gồm 1.124 bài báo học thuật cho thấy các bài đánh giá do Claude Opus 4.8 thực hiện chỉ có tỷ lệ lỗi 5,5%, trong khi các bài đánh giá do các chuyên gia con người được trả tiền cao thực hiện có tỷ lệ lỗi lên đến 15,9%. Nghiên cứu do Harvard thực hiện sử dụng kiểm tra ẩn danh, trong đó các biên tập viên cũ của tạp chí ưu tiên bài đánh giá của AI 87% thời gian, trong khi GPT-5.5 chọn bài đánh giá do AI viết trong tất cả 132 cặp đánh giá đã quyết định. Các nhà nghiên cứu sử dụng 134 bài đánh giá con người từ rapidPeer - dịch vụ của Harvard dành cho các chuyên gia đánh giên - để so sánh với AI. Những phát hiện này đảo ngược kết luận trước đó cho rằng AI chỉ nên hỗ trợ con người trong việc đánh giên, gợi ý rằng công nghệ này giờ đây có thể xử lý toàn bộ vòng đánh giên đầu tiên của các phê bình chuyên môn.