Opper

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。