一项发布在arXiv的预印本研究提出名为“影子评价”（shadow evaluation）的评测方法：让AI系统针对两篇投给NeurIPS的论文的研究问题自行做课题、写论文，再由论文原作者检验成果。该系统在改良版OpenClaw中“驾驭”Claude Opus 4.8，每篇论文有6天时间和3000美元算力额度；它能跑完数百次实验、不陷入死循环、还能发现自身幻觉且未出现奖励作弊，但在原作者处只得到2/6和1/6的总分。作者指出，系统会过早锁定某一种假说、方法失效时回溯不足、自我评审不够负面，且写作与格式混乱；共同作者、普林斯顿的Sayash Kapoor认为开放式研究的全自动化“还早着呢”，而AI Scientist联合创建者Cong Lu称这是有意思的数据点，但认为护栏设置不足。