反向利用LLM审稿偏好优化论文

学术界对LLM审稿的焦虑已经持续了两年，但大多数应对策略停留在"呼吁禁止"或"检测LLM痕迹"的被动层面。这个项目的聪明之处在于承认 LLM 审稿不可阻挡，转而用对抗性思维优化文本——本质上是用魔法打败魔法。

与 Grammarly、PaperPal 等传统润色工具不同，它不是追求语言正确性，而是针对特定 LLM 的评分模式做策略性调整。目前 148 stars 说明这个痛点很真实，但策略库还比较小，如果作者持续补充不同模型（Claude、Gemini、国产模型）的偏好数据，价值会大幅提升。

正在投稿顶会、且目标会议/期刊已知使用 LLM 辅助审稿的团队，建议直接集成到 arXiv 提交前的 pipeline 里，作为最后一道自动检查。