4 名大學生出題讓 AI 考了 0 分：一場揭穿「會說話不等於會思考」的壓力測試

一張由 4 名大學生聯手出的考卷，讓當前主流的 AI 模型集體繳出 0 分的答卷。這則在網路上快速擴散的消息，表面上是「人類扳回一城」的爽文，真正值得拆解的卻是：當 AI 能把話說得頭頭是道，卻在一張看似普通的考題前徹底失靈，問題究竟出在題目，還是出在我們對「AI 會思考」這件事的預設。

TL;DR

4 名大學生針對主流大型語言模型設計了一份極端壓力測試考卷，結果 AI 拿到 0 分。事件的核心不是 AI 退步了，而是這份考卷精準踩中了現階段模型最脆弱的環節——多步驟推理、陷阱條件與常識校驗。它再次提醒使用者：流暢的輸出，不等於正確的推理。

事件經過：一場針對 AI 的「逆向出題」

據公開報導與社羣流傳的討論，4 名大學生合作設計了一份專門用來考驗 AI 的試卷。這份試卷的設計邏輯與一般考試不同——它不是要測驗知識廣度，而是刻意在題幹裡埋設邏輯陷阱、互相矛盾的條件，以及需要多層推理才能解開的結構。結果，幾個被廣泛使用的 AI 模型在作答時幾乎全軍覆沒，最終拿到 0 分。

這類「逆向出題」並非全新現象。過去幾年，研究人員與一般使用者陸續發現，只要在題目裡加入看似合理其實互相牴觸的前提、或把條件稍微改寫，模型就很容易掉進陷阱。這次事件之所以引發廣泛關注，是因為它把這個現象濃縮成一個極具傳播力的數字——0 分。

為什麼 AI 會考 0 分：拆解三類典型失分點

要理解這場 0 分，得先回到大型語言模型的本質。模型的核心運作方式，是根據上下文預測「下一個最可能的字」。它擅長的是模式比對與語句生成，而不是像人類那樣在腦中逐步驗算、回頭檢查前提是否衝突。當題目刻意利用這個落差，模型就容易在以下幾個環節栽跟頭。

第一類是多步驟推理的中途出錯。 一道需要連續推論三到四步的題目，只要中間任何一步邏輯斷裂，後面的答案就會跟著全錯。模型在每一步都給出「看起來合理」的句子，但這種合理性是統計意義上的流暢，而非邏輯意義上的正確。這一點與另一個被反覆驗證的現象高度吻合——AI 偶爾會給出結果正確、推理過程卻完全站不住腳的答案，差別只在於這次連結果也沒救回來。

第二類是前提互相矛盾的陷阱題。 題幹裡可能同時給出兩個無法並存的條件，人類看到會先停頓、質疑題目本身，模型卻傾向於順著字面繼續往下推，產出一篇看似有理、實則建立在錯誤前提上的長篇回答。這種失誤特別危險，因為輸出的語氣往往相當自信，讀者若不仔細檢查前提，很容易被誤導。

第三類是常識與現實校驗的缺位。 模型對統計上高頻的敘述很熟練，但對需要結合物理常識、社會常識或基本因果判斷的題目，常常給出違背現實的答案。問題不在於模型「不知道」，而在於它缺乏一個獨立的校驗機制，去把生成出來的答案再拿到現實脈絡裡檢查一次。

關鍵事實

• 事件主角： 4 名大學生。
• 事件性質： 針對主流 AI 模型設計一份極端壓力測試考卷。
• 測試結果： 受測 AI 模型拿到 0 分。
• 考題設計特徵： 邏輯陷阱、互相矛盾的條件、需多步驟推理的結構。
• 模型失分主因： 大型語言模型以統計預測下一個字為核心，缺乏獨立的邏輯校驗與常識檢查機制。
• 資訊來源： 據公開報導與社羣流傳討論，具體模型版本與題目全文以公開資料顯示為準。

對讀者意味什麼：重新校準對 AI 的期待

這場 0 分之所以重要，不是因為它證明 AI 一無是處，而是因為它劃清了一條容易被忽略的界線：AI 擅長的是生成與比對，不擅長的是嚴密推理與前提校驗。

對日常使用者來說，這條界線直接決定了 AI 適合做什麼、不適合做什麼。寫文案、整理資料、腦力激盪、把一段話改寫成不同語氣，這類任務模型表現穩定，因為它們依賴的正是模型最強的模式比對能力。但涉及需要逐步驗算的數學推論、法律條文的條件疊加判斷、醫療診斷的因果推理，就必須把模型視為草稿機，而非最終答案的來源，並由具備專業能力的人類複核。

更值得留意的是這類「會說話卻不會思考」的現象正在被產業正視。模型廠商近年持續投入推理能力的研究方向，例如在回答前先讓模型在內部進行多輪自我推論與檢查，試圖補上那層缺失的校驗機制。不過這些改進仍在推進中，距離能穩定應付刻意設計的陷阱題，業界普遍認為還有一段路要走。圍繞模型能力排名的討論也因此格外敏感——一如過去一則未經證實的傳聞引發對特定模型實力落後的爭議 Google Gemini 在模型競爭力排名上的傳聞，這次 0 分事件再次說明：評估 AI 的真實能力，遠比看一段示範影片或一個排行榜數字複雜。

常見問題 FAQ

AI 為什麼會在這種考卷上拿 0 分？ 因為這份考卷刻意針對模型的弱點設計，包含多步驟推理、互相矛盾的前提與需要常識校驗的題目。大型語言模型以統計方式預測下一個字，缺乏獨立的邏輯驗算機制，遇到這類陷阱就會失分。

這是不是代表 AI 變笨了？ 不是。這更像是一份針對模型既有弱點設計的壓力測試，把平時被流暢輸出掩蓋的限制放大呈現。AI 在生成、整理、改寫等任務上的表現依然穩定，只是它從來就不擅長嚴密推理。

日常使用 AI 時該注意什麼？ 把 AI 當成草稿機與靈感來源，而非權威答案的來源。凡是涉及數學推論、條件疊加判斷或專業因果推理的結論，都應由具備專業能力的人類複核，尤其當輸出語氣顯得過度自信時更要提高警覺。

模型廠商有在改善這個問題嗎？ 有。業界持續投入讓模型在回答前先進行內部多輪推論與自我檢查的研究方向，目標是補上邏輯校驗這一環。不過據業界估算與公開資料顯示，要穩定應付刻意設計的陷阱題，還需要更多時間。

結論：把 0 分看成一面鏡子

4 名大學生讓 AI 考了 0 分，這件事最該被記住的不是分數本身，而是它映照出的一個基本事實：流暢的語言與正確的思考是兩件事。當社會對 AI 的期待持續升高，這份考卷提供的是一個清醒的座標——它提醒使用者，無論模型對話起來多自然，在需要嚴格推理的關鍵時刻，人類的複核與判斷依然不可省略。把這條界線放在心上，才能真正用對工具，而不是被工具的自信反過來誤導。