1. Overclaim

Overclaim是我一开始投稿CVPR时审稿人给我的反馈，当时还一直在揣摩，为啥审稿人会这么说？是我的实验漏掉了部分，还是我的效果不够有说服力？这点其实是个很主观的评价，作为作者，唯一能做的就是根据你的方法和实验，来总结你的贡献，确保你所claim的每个点都能在方法或者实验里得到印证，有相应的evidence可以support，这点非常重要。

所以写贡献要小心谨慎，你多说一个点，多加一个词，可能都会引起审稿人的夺命连环问，到时候你会为此付出代价，或者要多补一堆实验，其中一篇审稿，我列了四块儿实验，我希望在rebuttal的时候看到，就看作者能不能完成了，我会根据新的实验结果来决定要不要提分。

2. 实验不充分

实验不充分是我审稿的三篇论文没能拿到weak accept的主要原因，这几篇多多少少都有实验上的问题。

有的是关键模块的消融只是很粗糙的做了下，有的是论文涨了很多点，也对比了足够多的方法和测了足够多的benchmark，但因为方法过于简单，简单到几乎说不出新意，很明显的A+B的味道，作者又没有进一步的分析和消融，我不知道他的效果提升到底是来源于引入foundation model本身，还是作者自己的额外设计，甚至是来自于多个数据集的co-training，这些都没有消融来验证，所以我看在效果和开源了匿名代码的份上，给了3分，也给了机会看rebuttal。

一个共性问题都没有给一些failure case和limitation的讨论，每篇工作肯定有亮点，也有不能做的，如果作者能清晰区分亮点和方法的边界，并给出一些例子和改进思路，我会认为作者的思考会比较全面和深入，反而可以会打高分，可惜的是，三篇论文都没有这部分内容。

3. 动机不清晰

这是当前大模型时代写科研论文很多新手的通病，LLM/VLM/VFM/Diffusion Model这些foundation model大家论文里都会用，它们的确有很多优势，但到底有啥优势是适合你的某个或者某些任务，或者为什么能用它们来做某个新任务，你需要给出合理且清晰的动机。

但我在我审的一篇用LLM来做下游任务的稿子，我并没有看出清晰的动机。整个给人的感觉就是，你看没有用llm做过这个任务，那我就来试试，然后提了些模块，发现效果不错，就投稿了，有种拿着 到处找钉子的感觉，诶，发现这个钉子还挺合适，就敲一下，成功了，就开始写论文，就感觉CVPR有了。

llm本质上到底适不适合做这个任务也没说，他能做成的原因我也不知道，读完一头雾水，方法设计也就是给llm前后包个encoder和decoder，再加上效果也没好哪去，还不如一些其他方案，一顿操作猛如虎，最后涨点0.5，我最后忍着给了2分…估计也是第一次投稿，稍微给Ta点信心，毕竟大家都是从新手阶段过来的。