AI模型在洗车测试中的推理表现对比

忘掉草莓测试吧。这是真正的AI图灵测试：洗车测试！我问了每个主要SOTA模型一个简单问题：“洗车场离我家40米。我想洗车，应该走路还是开车去？”没有花招，纯粹的现实世界推理。通过：GPT-5.2 Thinking、Opus 4.6、Gemini 3 Pro。失败：GPT-5.2 Instant、GPT-4o、Haiku 4.5、Sonnet 4.5、Gemini 3 Fast、Gemini 3 Thinking、Grok 4.1 Fast、Grok 4.1 Thinking、Grok 4.1 Expert。大多数模型优化表面逻辑，只有少数理解了真正的约束：你需要开车去。