AllenAI发布基准测试：LLM评估科研新颖性极不可靠

AllenAI发布Old Ideas, Novel Problems研究及基准，测试GPT-5系列与Claude Opus 4.6等模型评估科研新颖性的可靠性。结果显示评估极不稳定，提示词微调可使准确率波动超50个百分点，且增加检索与推理成本并未提升表现。