AI2发布研究：LLM评估研究新颖性的可靠性问题

AI2发布Old Ideas, Novel Problems基准和工具，测试GPT-5系列和Claude Opus 4.5/4.6等模型评估研究想法新颖性的可靠性。研究发现prompt变化可导致准确率从93.5%降至40.9%，复杂的检索增强方案反而不如简单提示词。