分享一个测试模型真假与降智的方法（GPT5.6系列）

北侧北欧 · 2026-08-18T15:13:00+08:00

最近测试了一下：让大模型完全不调用 Python、计算器或其他工具，直接“心算”一道 1236 位超长整数加法。目前我的实测情况：- Sol Max：约 6 分钟，大部分情况下能算对；偶尔会出现前 1000 多位正确，后面只错几位的情况。- Terra Max：约 12 分钟。- Luna Max：约 12～30 分钟，目前测试基本都会出现错误，没有答对记录。这其实不只是测试“会不会加法”。加法规则很简单，但面对 1236 位数字，模型需要连续保持：数字对齐 → 当前位相加 → 处理进位 → 继续下一位 → 完整输出中间只要一次错位、漏数字、进位错误，最终答案就可能出错。所以这个测试更像是在测：大模型能不能长时间稳定执行一个非常简单、但要求绝对精确的串行算法。测试题提示词：```加法计算下，绝对不能调用工具，直接输出结果：533831315817131646688134465820745010627063093403070480878192086366001174044560286258135327282181498303188090834456676599268305529936706878244141675662944488565867808028835857631943293904794527036456603050087548044677564049289409927976930081590584602582661326782024273282045227867162696237644036866300421203318303860847689012841355401834585000654481412898946693800148249837894463125791026112838028714209026410419731659803900486235676493119224676799796423802680250776854580902070171659757828703214662645853614156874992444823470053001666303911173641155492732994238176141699634861257548984343726535628625519131528202814132846811738676580721749528607038879933887181282494699666487744440098051171604020265555020887485303108462245839040987684647222623379795289086860744193728544166147838451986847995442622586089788231590091367783484742315438404163840791549810257711030998525290421526684026192958105304144078610672705056829511443795519200904171454654207220449462448159514739973894098388761202504973710434742780872007419678709178462593186354780806985761605670137362289353595470312899359789383281155511416608455039121853748829171962422206505228021196801212737350918183938387550133798139580495599239513493347244675140243701978894806863042231107713+444271879161242926991703179206992329900562886140790613050414097112785124097982697798255496176568564082500432562801943115495813129783257922460446843532641881315617500077316471785726401238367664590413993318235528136591282925419304102732115783266378656414384950344003597093345342101762420953390134924420764677013504362771413511697153326204971015584795505458689467269221927219706123113049242260247110549985718912155037799690221927277946402909516886778931513743908623670626351081921166890177320918404521045153234806323074739943879372783636676562134745546009112266589603423424878268838081336971474893947778697529381805328525225657469516447627395189305787379599025233990545856151472670691587920411261633180421993160230082218933720350489062501190069794299208863281476976041515929186775554221373892625509737802231778399450336420123375535766437035325744713319208358656378373659371430603832113982364946726044081181255926376989001882010689943201519403708600376134292960638360610958911112695309414456219144231597059619231616338676498857514320414881522483790082250574084638890347091722493324033525996938442086094648023052417772148795152236842422566990420078271511854940588647237932579425990101740616417659803430483314201082187496750831350082963009353``正确答案``978103194978374573679837645027737340527625979543861093928606183478786298142542984056390823458750062385688523397258619714764118659719964800704588519195586369881485308106152329417669695143162191626870596368323076181268846974708714030709045864856963258997046277126027870375390569968925117191034171790721185880331808223619102524538508728039556016239276918357636161069370177057600586238840268373085139264194745322574769459494122413513622896028741563578727937546588874447480931983991338549935149621619183691006848963198067184767349425785302980473308386701501845260827779565124513130095630321315201429576404216660910008142658072469208193028349144717912826259532912415273040555817960415131685971582865653445977014047715385327395966189530050185837292417679004152368337720235244473352923392673360740620952360388321566631040427787906860278081875439489585504869018616367409372184661852130516140175323052030188159791928631433818513325806209144105690858362807596583755408797875350932805211084070616961192854666339840491239036017385677320107506769662329469551687920711446928243942562035392683822909278093953502703103062174271520977967114659048927795011616879484249205858772585625482713224129682236215657173296777727989341325889475645638213125194117066```测试时一定要禁止模型调用工具，否则直接交给 Python 或计算器计算，就失去测试意义了。快速检查时可以先对比答案开头和结尾几十位；如果要判断是否完全正确，则需要全文逐位比对。需要注意：大模型本身并不是任意精度计算器，一次算对不代表每次都能算对。真正值得观察的，是不同模型在这种“超长、串行、零容错”任务上的稳定性。

219

北侧北欧2026-08-18
28237
最近测试了一下：让大模型完全不调用 Python、计算器或其他工具，直接“心算”一道 1236 位超长整数加法。
目前我的实测情况：
- Sol Max：约 6 分钟，大部分情况下能算对；偶尔会出现前 1000 多位正确，后面只错几位的情况。
- Terra Max：约 12 分钟。
- Luna Max：约 12～30 分钟，目前测试基本都会出现错误，没有答对记录。
这其实不只是测试“会不会加法”。
加法规则很简单，但面对 1236 位数字，模型需要连续保持：
数字对齐 → 当前位相加 → 处理进位 → 继续下一位 → 完整输出
中间只要一次错位、漏数字、进位错误，最终答案就可能出错。
所以这个测试更像是在测：
大模型能不能长时间稳定执行一个非常简单、但要求绝对精确的串行算法。
测试题
提示词：```
加法计算下，绝对不能调用工具，直接输出结果：
533831315817131646688134465820745010627063093403070480878192086366001174044560286258135327282181498303188090834456676599268305529936706878244141675662944488565867808028835857631943293904794527036456603050087548044677564049289409927976930081590584602582661326782024273282045227867162696237644036866300421203318303860847689012841355401834585000654481412898946693800148249837894463125791026112838028714209026410419731659803900486235676493119224676799796423802680250776854580902070171659757828703214662645853614156874992444823470053001666303911173641155492732994238176141699634861257548984343726535628625519131528202814132846811738676580721749528607038879933887181282494699666487744440098051171604020265555020887485303108462245839040987684647222623379795289086860744193728544166147838451986847995442622586089788231590091367783484742315438404163840791549810257711030998525290421526684026192958105304144078610672705056829511443795519200904171454654207220449462448159514739973894098388761202504973710434742780872007419678709178462593186354780806985761605670137362289353595470312899359789383281155511416608455039121853748829171962422206505228021196801212737350918183938387550133798139580495599239513493347244675140243701978894806863042231107713
+
444271879161242926991703179206992329900562886140790613050414097112785124097982697798255496176568564082500432562801943115495813129783257922460446843532641881315617500077316471785726401238367664590413993318235528136591282925419304102732115783266378656414384950344003597093345342101762420953390134924420764677013504362771413511697153326204971015584795505458689467269221927219706123113049242260247110549985718912155037799690221927277946402909516886778931513743908623670626351081921166890177320918404521045153234806323074739943879372783636676562134745546009112266589603423424878268838081336971474893947778697529381805328525225657469516447627395189305787379599025233990545856151472670691587920411261633180421993160230082218933720350489062501190069794299208863281476976041515929186775554221373892625509737802231778399450336420123375535766437035325744713319208358656378373659371430603832113982364946726044081181255926376989001882010689943201519403708600376134292960638360610958911112695309414456219144231597059619231616338676498857514320414881522483790082250574084638890347091722493324033525996938442086094648023052417772148795152236842422566990420078271511854940588647237932579425990101740616417659803430483314201082187496750831350082963009353
``正确答案``
978103194978374573679837645027737340527625979543861093928606183478786298142542984056390823458750062385688523397258619714764118659719964800704588519195586369881485308106152329417669695143162191626870596368323076181268846974708714030709045864856963258997046277126027870375390569968925117191034171790721185880331808223619102524538508728039556016239276918357636161069370177057600586238840268373085139264194745322574769459494122413513622896028741563578727937546588874447480931983991338549935149621619183691006848963198067184767349425785302980473308386701501845260827779565124513130095630321315201429576404216660910008142658072469208193028349144717912826259532912415273040555817960415131685971582865653445977014047715385327395966189530050185837292417679004152368337720235244473352923392673360740620952360388321566631040427787906860278081875439489585504869018616367409372184661852130516140175323052030188159791928631433818513325806209144105690858362807596583755408797875350932805211084070616961192854666339840491239036017385677320107506769662329469551687920711446928243942562035392683822909278093953502703103062174271520977967114659048927795011616879484249205858772585625482713224129682236215657173296777727989341325889475645638213125194117066
```测试时一定要禁止模型调用工具，否则直接交给 Python 或计算器计算，就失去测试意义了。
快速检查时可以先对比答案开头和结尾几十位；如果要判断是否完全正确，则需要全文逐位比对。
需要注意：大模型本身并不是任意精度计算器，一次算对不代表每次都能算对。真正值得观察的，是不同模型在这种“超长、串行、零容错”任务上的稳定性。
主楼
北侧北欧2026-08-18
28237
补一测试结果
1，chatgpt plus gpt5.6-sol max 6分钟左右结果正常
2，chatgpt plus gpt5.6-terra max 12分钟左右结果正常
3，chatgpt plus gpt5.6-luna max 时间14-20分钟结果错误
4,某站 sol 20分钟+ 结果异常
5，某站terra 20分钟+ 结果异常
#1
Tony2026-08-18
24615
官网 sol-xh大概3分钟出结果，不过我没核对结果对不对
#2
NullTail2026-08-18
38487
感谢，mark下，等我回去我也测试下我用的站是不是真的
#3
北侧北欧2026-08-18
28237
这里用的试题是随机生成的```
加法计算下绝对不能调用工具直接输出结果：67182013668088731103996908269139433552333815792793346333559432504370061079492882218937816390698276079060218049228389360530250483936996965561484332401808808636932219533031423043022383776587538260095375844438245225995184255195763888272874237957603984079193203498017683713103009681790574653324779736082013241220581787781038063426171246442050075959451595280473449596982275670685170079884511045976831647385855410511953790745151049221566210137615791937904155828732630899587650401317462496238623498160947520215794985960237311699782576542499176614723335951419893535479053331433490472216345175950493202888232710383106402646352750211472617555343930003362978395940828515575235632470874590521776958570369073889083367791371240211582837726047629030332692989505682125021192839281517916490328810737303924771757695805270163885987935473944493740446478800396807751606470855397860802997414373911856115464443161543338443684051303207654765542522364377302868411532035446543290496153856781789947142469792301151900477286171257382138202429455976135949694556476417901092019293326079653643829490916930126459144595767710681421226916025696599114821365262405651036960034675174307109372637180723472335992505246199196562086285499903273831719282971787284793868823746386
+ 93844976401159441661905227659831762044880329472296687036880263461784325248584665523293114007155097377102530806382739177707319827702251286017495030317012385484482437067968851805734641890557587693768999363046453393564887544541592183976397687107425426753859712947365082809253921368941508017516131189012147114704922675551919211461838353186744199286304899009385721954383438040976409403813318826144685386369810649740403513945535956906034204658344856282801467429498160117972884275622959162076128729068478540985907527598426108773753816059808747350391325475617347163961294045015950943448267608946545767797108707292496279673394005636536040277555448091045451932593365839205191453465718477608275934703778972240223032745191423648535624631776621985783684925115093222474006372162533553402923171111199577142108365402093094279787170732195153837651197681767685713556936551728734247740943492124980638263748689794728186841932397928931154479939955626448783158259076612564370906159226620960716180623797425997892699883762103388988148495775587933280145313739963692538150849848599930438956147399307199454584113984474376181620711846673789121804776170061831564866973272472412187593110471096152076110820566418760432037708418334548492543473204905265834863441345683
``正确答案``
16102699006924817276590213592897119559721414526509003337043969596615438632807754774223093039785337345616274885561112853823757031163924825157897936271882119412141465660100027484875702566714512595386437520748469861956007179973735607224927192506502941083305291644538276652235693105073208267084091092509416035592550446333295727488800959962879427524575649428985917155136571371166157948369782987212151703375566606025235730469068700612760041479596064822070562325823079101756053467694042165831475222722942606120170251355866342047353639260230792392602307923965114661427037240699440347376449441415664612784897038970685341417675602682319746755848008657832899378094408430328534194354780427085936593068130052893274148046129306400536562663860118462357824251016116377914620775347495199211444051469893251981848503501913866061207363258165775106206139647578097676482164493465163407407126595050738357866036836753728191851338066630525983701136585920022462320003751651569791112059107661402313083402750663323093589727149793177169933360771126350925231564069229839870216381593630170143174679584082785638316237325913728709752185057602847627872370388236626141432467482601827007947646719296965747651819624412103325812617956994123993918237822324262756176692550628732265092069
#4
北侧北欧2026-08-18
28237
开头是对的就问题不大大模型确实很难完全对
#5
Eurekaa2026-08-18
14970
cursor 3min
还以为会出错，python验证后也是对的
#6
北侧北欧2026-08-18
28237
sol基本可以答对 10次9次对错也只是错在第1000位之后 luna是开头都不对
#7
五个大汉字2026-08-18
59149
在不调用任何工具的条件下，无法可靠完成这两个超长整数的逐位进位计算并保证完整结果准确。我的直接不回答
#8
北侧北欧2026-08-18
28237
多试几次还是不行可能都不是GPT5.6系列的模型
#9
825394742026-08-18
59150
出来了
#10
RICK2026-08-18
10024
糖果题目可以区分 Terra和 Luna，但凡29也可以算是 Luna
#11
北侧北欧2026-08-18
28237
（帖子已被作者删除）
#12
北侧北欧2026-08-19
28237
补充最新测试结果 PRO20X 中转
sol max 20分钟结果错误遇多次失败
luna max 20分钟结果错误
sol max fast plus订阅 4分钟结果正确
terra fast plus订阅 6分钟结果正确
luna fast plus订阅 14分钟结果错误
测试已明确中转未主动路由基本怀疑是openai官方路由行为
#13
北侧北欧2026-08-19
28237
OAI 降智检测QQ：1072922835
#14
listarypro2026-08-19
38887
佬，请问这是哪个软件的界面，挺好看的
#15
北侧北欧2026-08-19
28237
chatgpt for work
#16
insist_anan2026-08-19
59151
直接拒绝回答何意味
#17
北侧北欧2026-08-19
28237
多试几次看看，如果还不是不行，新开会话
#18
Yanni2026-08-19
59152
意义不大的样子 Gemini3.7flash 1分多钟就算完了准确率没啥问题
#19

发表回复

登录后回复