NovGauge 是一个面向大语言模型（LLM）新颖性评估的细粒度基准。数据来源于 ICLR 评审重叠声明和调查共引，两类专家标注共计 619 对论文以及 50 组多篇论文。每条实例独立标注任务、问题、方法三个维度，分别对应应用目标、技术挑战和解决方案。我们设计了级联诊断流水线，先检查维度预测是否正确，再验证证据是否落地，最后判断逻辑支撑是否成立。对 18 种 LLM 的评测显示，幻觉率在不同维度间从 0% 到 39% 不等；在非幻觉的正确正例中，超过 70% 的引用证据未能逻辑支撑给出的理由。表现最好的模型 GPT-5.5 在三个维度上实现了 43%~72% 的 Verified F1，而大多数模型在可信度校验后原始 F1 下降至不足一半。结果表明，当前 LLM 在科学新颖性评估上仍不可靠，尤其是当正确性依赖于可信证据时。
点评