LLM 生成的研究想法，单看质量不差。真正的问题藏在别处：它们翻来覆去就那么几种套路。
耶鲁和芝加哥大学的研究者用了一个很巧妙的办法来验证这件事。他们收集了 11,683 篇真实论文，5,994 篇来自 ICLR、ICML、NeurIPS（2023-2026），5,689 篇来自 Nature Communications（2023-2025）。对每篇论文，先反向工程出几篇"最可能启发作者核心想法"的邻近工作，再把同样的文献列表喂给 LLM，让它从同一个起点提出新想法。
然后他们设计了一套"研究品味"分类法，把每个想法沿两个轴拆开：Opportunity Pattern（机会类型）问的是这个想法发现了什么 gap，Method Paradigm（方法范式）问的是它怎么把 gap 变成贡献。每个轴各有七种标签。
结果很清楚。
人类想法的分布很广。只有 12.1% 的动机是"桥梁机会"（连接割裂的文献/方法），仅 5.1% 的核心方法是"综合/统一"。LLM 呢？"桥梁机会"占了 47.1% 到 64.2%，"综合/统一"占 22.5% 到 38.7%。分别是人类的 4 到 5 倍。
9 个主流模型全测了，Claude、Gemini、GPT、Qwen、DeepSeek，没有一个例外。
如果让模型多推理几步，情况会更糟。开了 thinking mode 后，Qwen3-8B 的"桥梁机会"从 49.7% 飙到 71.1%，"综合/统一"从 38.7% 涨到 52.2%。思维链没有帮它探索更多路径，反而让它更确信那条最熟的路是对的。
这显然不是 prompt 或者上下文给得不够的问题。研究者做了消融实验：给模型看完整论文而不是摘要，差距没缩小；换成更中性的 prompt 措辞，桥接偏好纹丝不动。
从分布指标来看，人类想法的归一化熵在机会轴上高达 0.926，模型只有 0.550 到 0.758。即使在方法轴上表现最好的 Claude-Sonnet-4.6，其 TVD（总变差距离）仍有 0.211，意味着超过五分之一的概率质量需要移动，才能匹配人类分布。
有个细节很说明问题。Claude-Sonnet-4.6 在诊断分数上甚至略超人类：瓶颈特异性更高，模板化程度更低。也就是说，它写得很好，甚至比人类更精准。但它的分布照样严重偏向桥接和综合。它的问题不是写不好，是只会写那几种。
机制分析进一步印证了这一点。把每个想法抽象成"操作动词"后，差距一目了然：
- integrate：模型 34.2%，人类 2.35%
- unify：模型 8.2%，人类 1.9%
- replace：人类 9.13%，模型 0.92%
- decouple：人类 2.33%，模型 0.21%
人类倾向于修改、替换、解耦一个局部机制。模型倾向于把两个高频概念"整合"在一起。这不是随机偏差，是一套稳定的行为模式。
说白了，LLM 像是一个特别擅长"缝合"的博士生：能快速把两篇文献串起来，写得头头是道。但让它跳出这个套路，去设计实验验证假设，或者分析一项失败的原因，它就露怯了。
对做 research 的人来说，这意味着别只依赖 LLM 帮你 brainstorm。它输出的东西大概率是主流范式的变体。真正的突破，可能藏在它不太愿意去的地方。
论文：https://arxiv.org/pdf/2607.01233
代码和数据集：https://github.com/ziyuuc/TasteGap。
关注公众号回复“进群”入群讨论