Ai2研究：LLM判断研究创意新颖度不可靠

Ai2发布《Old Ideas, Novel Problems》研究，测试GPT-5.1、GPT-5.2、GPT-5.4及Claude Sonnet/Opus 4.5、4.6共六个模型判断研究创意新颖度的可靠性。结果显示评估设置的细微变化会显著改变判断结果，团队同时开源基准、数据和代码。

• Simon Willison回顾2026年大模型进展2026-09-28
• Ai2 用 GPU 预算调度替代优先级调度2026-10-09
• 研究揭示大模型存在权威偏见2026-10-02
• Sitefire训练分类器凭结构识别AI网页2026-09-22
• 模拟学生助力AI辅导系统更快学习2026-09-20