大语言模型（LLM）的快速发展，已经把综述写作从耗时数月的人工作变成了自动化流程。随着生成规模扩大，可靠的评估成为瓶颈，LLM 也越来越多地被用作综述评估器。然而，现有方法大多直接使用现成的 LLM-as-a-judge，没有系统地与人类审稿人对齐，也缺少系统的框架来量化这种对齐程度。
在这项工作中，研究团队提出了 SurveyReview，一个与审稿人对齐的多维度基准和数据集，用于综述评估。
团队收集并标注了 675 篇综述论文，共 1630 份审稿报告，并把真实同行评审报告中的自由文本评论转换为 Readability、Criticalness、Comprehensiveness、Structure 四个维度的评分，并为每个评分配上支撑性的理由。
团队还发布了标准化的训练集与测试集划分，以及一套评估协议，用于衡量自动评估器与人类审稿人之间的对齐程度。
为验证这个基准，团队开发了基线评估器 SurveyAlign，用 LoRA 在标注数据上微调 Qwen3-32B，并为知识密集型维度补充外部知识。
在测试集上，SurveyAlign 相比基于 prompt 的 GPT-5.2 评审，大幅提升了与审稿人的对齐程度，四个维度的平均 MSE 从 2.28 降到 1.38，平均 MAE 从 1.15 降到 0.69。
这项工作的贡献有两点：第一，建立了首个多维度、与审稿人对齐的 survey 评审数据集，并配有可复现的评估框架；第二，开发了一个能显著提升与人类审稿人对齐程度的强基线评估器，为后续研究提供有竞争力的参照。