Ai2 研究：LLM 能否可靠判断研究想法的新颖性

Ai2 发布研究 Old Ideas, Novel Problems，并开源基准、数据和代码，用于测试 LLM 新颖性评判器。研究基于 ICLR 2026 评审构建 154 条高新颖与 145 条低新颖的人类想法池，测试 GPT-5.1 至 GPT-5.4、Claude Sonnet 4.5 与 Claude Opus 4.5/4.6 六个评判模型。