Opper发现，大多数AI模型未能通过简单的“洗车”推理测试

一项名为“洗车测试”的新基准显示，许多领先的AI模型在基本推理方面存在困难。当被问及是步行还是开车50米去洗车时，53个测试模型中有42个错误地建议步行。即使是Claude Sonnet 4.5和GPT-5.2等顶级模型，在单次运行中也未能通过测试。一致性测试显示进一步的性能下降，只有五个模型在十次尝试中都能可靠地正确回答，这凸显了实际推理能力方面存在的重大差距。 AI

影响 凸显了当前LLM中存在的关键推理缺陷，表明需要改进超越模式匹配的逻辑推理能力。

排序理由 这是一篇介绍新基准和现有AI模型评估的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 HN — AI startup stories 阅读 →

• Claude Opus 4.6
• Claude Sonnet 4.5
• DeepSeek v3.1
• Felix Wunderlich
• Gemini 2.0 Flash Lite
• Gemini 3 Flash
• Gemini 3 Pro
• GLM-5
• GPT-4o
• GPT-5
• GPT-5.2
• Grok-4
• Kimi K2.5
• Llama
• Opper
• Sonar

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →