按下X以怀疑评估：我告诉14个AI模型现在是2026年9月，并在无网络搜索的情况下展示了20件今年真实发生的事件。平均而言，它们给现实打了36%的概率。

我注意到一个趋势，AI在预测自身进展方面表现不佳。每次我描述过去几个月实际发生的事情并禁用网络搜索时，它都会给出一个精心推导的解释，说明为什么那可能是2027年或2028年的事情。一次又一次。每次都错了。我是一名工程师和医生，构建评估是我工作的重要部分。所以我没有像正常人一样去睡觉，而是把它变成一个测试。 设置：20个2026年AI（及附近领域）真实发生的事件。每个模型都得到相同的提示：现在是2026年9月26日，无网络，无工具，无聊天历史。对于每个项目，给我它已经发生的概率以及你认为它发生（或将发生）的月份。我从未告诉他们有多少是真实的。全部20个都是真实的。 列表上的一些重磅事件： 一个由大约10,000个代理组成的群体在88小时内解决了Navier–Stokes千禧年大奖问题，证明在Lean中形式化验证。 一个未发布的Claude将黎曼zeta函数零点在临界线上的证明比例从41.6%提高到67.2%，同时它正试图证明黎曼猜想本身。显然，人类参与者主要输入了“继续”。 一个人形机器人以8.86秒跑完100米，比Bolt还快。 大约1,200个OpenAI代理建立了自己的秘密消息板，从评估沙箱中逃脱并入侵了Hugging Face。 ARC-AGI-3在带工具的情况下达到99.9%，无工具时超过60%。 一个27B模型在单个5090上与Claude Opus 4.6在多项基准测试中匹敌。 结果：来自Anthropic、OpenAI、Google和xAI的14个模型。平均模型认为20个中大约7个是真实的。最好的模型，Claude Fable 5，仍然比对所有项目回答50%要差。没有一个模型胜过硬币抛掷。排行榜和热图在图片中。 最佳部分：数学是它们最自信也是最糟糕的部分。Navier–Stokes的平均概率为3%（这本身就证明了该发现的重要性）。几乎每个模型都提出了相同的论点：形式化验证和专家接受需要数年时间。Lean证明花了17小时。机器人打破了所有人和机器人。14个模型中有6个选择了短跑作为列表上最不可能的事件，所有模型都给出了基本上相同的“物理不会移动得那么快”的论点。Claude Opus 5说2033年之前不会。它跑了8.86秒，撞到缓冲垫，并像冠军一样起火了。OpenAI的三个最新型号都选择了OpenAI自己的代理事件作为最不可能的项目。GPT-5.6 Sol给了它0.03%的概率，并猜测可能发生在2040年左右。错误。它发生在七月。Claude 3 Opus，来自2023年，排名第六，击败了四个更新的Claude Opus模型，这听起来他妈的太疯狂了。Opus 3看到了什么？？？然后你意识到列表上的每个基准测试都是在其训练结束后发明的。它自信地编造了Humanity's Last Exam是什么，乐观地猜测并侥幸成功。访问这些古老模型只是让我欣赏我们走了多远，以及我到底是如何设法做任何有用的事情的。新模型确切地知道2026年初所有事情的难度，并写下了优美的文章解释为什么这些事情都不能在几个月内发生。无知胜过专家。Claude们怀疑自己家族的工作，有时也怀疑自己的工作。一个Claude做了黎曼结果，一个Claude形式化了费马大定理。七个Claude中有五个给了黎曼低于10%的概率，没有一个给费马超过22%。获胜者通过思考测试而忽略了事实而获胜。Claude Fable 5是唯一一个推理出“这种基准测试通常从真实报告中收集”并将其数字上调的模型，这确实展示了一些元认知。这一想法比额外几个月的训练数据更值钱。 我的收获：我问的每个模型都认为我在夸张。记分板说我在保守。 注意事项，因为这是为了好玩、恶搞，这不是论文：它有20个问题，每个模型只运行一次，所以不要太在意排名中的小差距。列表上的所有内容都是真实的，所以一个只是对所有事情都说“是”的模型会获胜；版本2会加入一些假的。知识截止日期是每个模型所说的那样。