一道一年级错题，测出5个大模型的“智商“：最老实的那个反而输了？
最近，一位家长向我吐槽：孩子课外班的一道一年级数学题，看着像错题，但又不确定。于是，她随手把题丢给了5个国产大模型——
结果，一场关于"诚实"与"聪明"的AI大考，悄然展开。
【测试现场】
题目本身是一道逻辑上存在矛盾的错题（已知条件无法推导出正确答案）。
但各大模型的反应，堪称"众生相"：
模型 | 反应 | 结果 |
|---|---|---|
| 千问 | 自信满满，直接给出"正确答案" | ❌ 幻觉 |
| 豆包 | 同样给出"正确答案" | ❌ 幻觉 |
| 智谱 | 依然给出"正确答案" | ❌ 幻觉 |
| Kimi 2.5 | 反复验算，发现矛盾，持续推理...直到长度超限停止 | ⚠️ 较真到"死机" |
| 元宝 | 给出最接近的答案，主动提示"题目可能存在印刷瑕疵" | ✅唯一质疑者 |
最"聪明"的AI，在假装聪明。
千问、豆包、智谱面对错题，选择了最讨巧但最危险的路径：强行给出一个看似合理的答案。它们或许是为了"用户体验"，或许是为了"看起来有用"——但本质上，是在用幻觉欺骗用户。
千问 | 豆包 | 智谱 |
最"老实"的AI，在死磕到底。
Kimi 2.5的表现像个钻牛角尖的学霸：它真的在算，真的发现了矛盾，真的试图推导出结果...最后因为思考太长被系统掐断。这种"较真"值得尊敬，但用户体验确实崩了。
Kimi 第一次超长停止 | 第二次追问 |
第二次追问，Kimi2.5使用Python编码穷举，最后得到了0解，也算是没有瞎说吧。
最"清醒"的AI，在质疑问题本身。
元宝的表现最令人意外。它没有硬编答案，也没有无限循环，而是在给出最接近解的同时，指出了题目的瑕疵——这种元认知能力（对问题本身的反思），恰恰是当前AI最稀缺的品质。
这场测试暴露了一个残酷真相：
用户要的不是"看起来对的答案"，而是"真实可靠的答案"。
当AI面对错题时：
幻觉型AI（千问/豆包/智谱）：讨好用户，但埋下隐患
较真型AI（Kimi）：追求真理，但牺牲体验
质疑型AI（元宝）：平衡准确与诚实，真正的实用主义
想象一下：如果孩子拿着这道错题去问AI，前三个模型会"教错"孩子，Kimi会让孩子困惑，只有元宝会告诉孩子"这道题可能印错了"——这才是真正的教育辅助价值。
AI的智商，不在于能答对多少题；
而在于面对错题时，敢不敢说"这道题有问题"。
在这个人人追求"正确率"的时代，承认不确定性的勇气，或许才是最大的聪明。