Ai2 发布 Old Ideas, Novel Problems 研究与 benchmark，揭示 LLM 新颖性裁判不稳定

Ai2 发布研究 Old Ideas, Novel Problems 及配套 benchmark、数据、代码和自动化流水线，用于测试 LLM 作为研究想法新颖性裁判的可靠性。相关结果显示，这类 LLM 裁判的新颖性判断并不稳定。