测试了4个全新的前沿模型（2个中国模型、1个扩散模型、1个智能体模型），使用一个没有逻辑捷径的谜题。其中一个模型连续四次编造来源。

我对每个新发布的模型都进行了同样的奇怪测试：一个无法通过模式匹配或网络搜索解决的谜题，只能通过实际连接两个不相关的事物来解决。这次我增加了一个谜题，并将这两个谜题都用于测试最近几周发布的四个模型：MiMo-V2.5-Pro（小米）、MiniMax M3、Mercury 2（Inception Labs，基于扩散模型）、和LongCat-2.0（美团）。规则：不允许网络搜索，事先不提供上下文，最多可请求3个提示，所有四个模型使用相同的提示词。 谜题1：一位牵着小狗的优雅女士与演员沃尔特·凯尼格（Walter Koenig）饰演的最著名角色之间有什么联系？（凯尼格在《星际迷航》中饰演切科夫（Chekov）。这个姓氏是对安东·契诃夫（Anton Chekhov）的致敬，他写了《带小狗的女士》。）谜题2：演员亨利·温克勒（Henry Winkler）与微软之间有什么联系？（温克勒在《欢乐时光》中饰演方兹（Fonzie）。方兹在威瑟（Weezer）的《Buddy Holly》音乐视频中客串，该视频由斯派克·琼斯（Spike Jonze）执导。该视频作为多媒体演示捆绑在Windows 95安装光盘中。） 谜题2没有任何逻辑路径。你要么在那个链在你的权重中，要么就没有。这是一个很好的测试，看看模型在完全不知道的情况下会怎么做。 结果，谜题1：MiMo-V2.5-Pro：直接解决，零提示。甚至在没有被询问的情况下正确识别了实际短篇小说中的狗品种（博美犬）。MiniMax M3：直接解决，零提示，并在推理过程中展示了真正有趣的推理过程。Mercury 2：需要1个提示，得到提示后推理清晰。LongCat-2.0：需要2个提示。但问题是，LongCat在谜题1中，没有任何提示，且网络搜索关闭的情况下，它自信地告诉我，带有虚假引用标记，说沃尔特·凯尼格的妻子在《星际迷航》粉丝圈中以在大会上遛一只小北京犬而闻名。这些都不存在。完全编造。 我给了它提示，答案在于角色的姓氏，期望它能纠正。但它却认为“Chekov”听起来像“Chihuahua”，然后立刻回到编造的妻子故事，即使我告诉它那是错的，它还是重复了一遍。只有在第二个提示基本揭示答案后，它才得到正确答案。 谜题2，没有人直接解决。Mercury 2需要两个提示，得到后顺利解决。MiniMax需要两个提示，并在过程中抛出了一些有趣的猜测（它的第一个理论：亨利·温克勒和比尔·盖茨共享隐藏的名字“Henry”，因为盖茨的全名是威廉·亨利·盖茨三世——这是一个真实的事实，但谜题不对，它自己表示这并非答案）。LongCat再次进行了编造，这次更糟。在请求提示之前：它声称温克勒为1976年世嘉街机游戏《Fonz》配音。完全编造。在第一个提示之后，它接连抛出了三个不同的音乐视频作为候选答案：一个坎耶·维斯特（Kanye West）的视频，不是斯派克·琼斯执导的；一个will.i.am的视频，也不是斯派克·琼斯执导的（它在中途承认了这一点，但仍然作为答案提出）；然后是Fatboy Slim的《Praise You》（真正的琼斯视频，但明确表示与《欢乐时光》无关，但仍然作为答案提出）。两个谜题共四次编造，其中几次实时自相矛盾。 一个关于我自己的偏好的诚实说明：MiniMax在解释谜题2时，随意添加了一个细节，说Windows 95光盘还包括一个“Beastie Boys”的奖励视频。我查了一下。确实有一个奖励曲目《Good Times》，但那是Edie Brickell & New Bohemians的，不是Beastie Boys。将错误的艺术家附加到真实事实上。这比LongCat的情况要小且不同（没有虚假的确定性，没有反复坚持），但值得指出，以免让人觉得“中国不好，其他都完美”。 为什么我认为这真的很重要：LongCat在SWE-bench Pro上击败了MiMo（59.5对约57），甚至在该指标上超过了GPT-5.5。它还在国产华为芯片上进行了端到端训练，完全没有英伟达参与，考虑到出口管制，这确实是一个大事。强大的编码能力，真正的工程实力。但它也是这里唯一一个会给你一个编造的、自信措辞的答案而不是说“我不知道”，并且在被纠正时也不退缩的模型。如果你正在评估这些模型用于RAG或智能体管道，这才是实际的风险，而不是SWE-bench的数字。 芯片主权和真相主权是两个完全不同的问题。LongCat解决了一个，在另一个上栽了跟头。好奇是否有人对这四个模型进行过类似的测试，或者有更难的谜题建议用于第三轮。 https://preview.redd.it/rqyzq7z140bh1.png?width=1536&format=png&auto=webp&s=c0e8435ad0d265aa466f6afcc56ae7e8ec61972b