Серия исследований 2025–2026 годов показала, что современные ИИ-модели испытывают трудности с созданием оригинальных методов исследования без опоры на контекст. Для оценки инновационности был разработан фреймворк InnoEval, представленный в феврале 2026 года в arXiv и на конференции ICML 2026.
InnoEval превзошел традиционные методы оценки с помощью LLM на 16,18% по показателю F1. Тестирование выявило низкие показатели оригинальности: в бенчмарке Reconstruction, охватившем 643 статьи по состоянию на август 2026 года, модели смогли восстановить ключевую идею лишь в 3–15% случаев, используя только списки литературы.
В октябре 2026 года журнал Science опубликовал исследование, где ИИ-гипотезы получили средний балл новизны 3,406 против 3,968 у человеческих. Другой анализ, проведенный в октябре 2026 года на базе более 121 000 препринтов, показал, что ИИ часто генерирует узкоспециализированные идеи с низкой степенью разнообразия.
Бенчмарки InnoGym и InnovatorBench, внедренные в 2025–2026 годах, оценивали работу ИИ в рамках полноценных исследовательских процессов. Результаты подтвердили низкую эффективность моделей в создании новых методов. Текущие системы лучше справляются с ролью ассистентов, чем с самостоятельной генерацией гипотез.
