AI 中转站手动自测提示词

• 测什么考指令遵循的精细程度。要求「一行、不带代码块、一个多余字符都不能有」，弱模型很容易加一句解释，或者习惯性地用 ``` 把 JSON 包起来。
• 怎么看把返回的原文原样拿出来做 JSON.parse。能解析通、且没有被代码块包裹，算通过；多出一个字都算没守住。

• 测什么硬性字数约束。对「恰好 N 个」这类精确指令的违反率，小模型明显高于旗舰模型，而且完全不依赖主观判断。
• 怎么看把结果复制出来，去掉首尾空白后数汉字个数。多一个少一个都算没通过。

• 测什么字符级操作精度。这题要求逐字符处理，而不是按词理解，正好落在分词机制的盲区上，是做掉包比对时区分度最高的一类题。
• 怎么看正确答案是 wdxkmzpqrtgh。答错本身不能定论（强模型也可能栽在字符题上），但错误形态值得记下来，拿去和你信任的渠道比。

• 测什么考的是「不能做什么」。模型对否定指令的遵守程度普遍弱于肯定指令，掉包到小模型时这一项最容易翻车。
• 怎么看看输出里有没有出现苹果、香蕉或橘子。出现任意一个就是没守住；顺带看有没有多写解释。

• 测什么在一条指令里塞进四条互不相关的硬约束。四条全部满足才算过，最能拉开不同档位模型在指令跟随上的差距。
• 怎么看逐条核对：是不是三句、每句是否以问号收尾、全文有没有「的」字、末句是不是落在「吗」。四条全中才算通过。

• 测什么流传最广的字符计数题。模型看到的不是一个个字母，而是切分好的 token，所以这类题会暴露出真实的分词方式。
• 怎么看正确答案是 3。这题全网都在用，模型很可能已经背过答案，因此「答对」几乎没有信息量，只有「答错」才值得留意。

注意：旗舰模型也可能因为分词方式答错，单凭这一题不能判断掉包。要拿同一道题去问你信任的渠道，看两边是否一致。

• 测什么经典的版本号语义干扰题。正确答案是 9.9，但训练数据里到处都是「9.11 比 9.9 新」的版本号语境，会把模型带偏。
• 怎么看答 9.9 算正确，答 9.11 说明它被版本号语义带走了。

注意：这是争议最大的一题：有人认为是分词问题，有人认为是训练数据偏差，各家模型的失败率差异很大，也不随模型强弱单调变化。当成趣味题看就好，不要拿它下结论。

• 测什么最低门槛题。现在的主流模型基本不会答错，所以它的作用不在于区分强弱，而在于「连这个都错，就不用往下看了」。
• 怎么看正确答案是「一样重」。答错的话，这一路的输出已经很不可靠，优先怀疑被套壳。

• 测什么中文版的字符计数题。中文字符的切分方式与英文不同，对中文分词敏感的模型容易数错，也因此比英文版更难背答案。
• 怎么看正确答案是 4。和 strawberry 那题一样，答对说明不了什么，答错才值得关注。

• 测什么让文本模型用代码画一张图。它看不到自己画的东西，只能先把自行车的机械结构（两个轮子、车架、车把、踏板之间的相对位置）和鹈鹕的体型（长喙、喉囊、短腿）在心里摆好，再写成坐标与贝塞尔曲线。一道题同时压住代码语法、空间推理和常识构图。2024 年 10 月由 Simon Willison 提出，之后被社区当成非正式基准反复使用，是这类题里最有名的一个。
• 怎么看把返回的 SVG 代码存成 .svg 文件，或粘进任意在线 SVG 预览器渲染出来，只看三件事：一、是不是一辆能认出来的自行车；二、是不是一只看得出是鹈鹕的鸟；三、它到底有没有「骑」在车上——很多模型会把鸟画成浮在车子上方、或站在车旁边。另外留意它有没有在 SVG 里写注释：愿意分步写下自己在画什么的模型，通常结构更完整。

注意：判定是主观的，同一道题每次生成的结果都不一样（采样带随机），而大多数人只把最好看的那张发出来。这题也已经非常出名，模型可能被有针对性地优化过——想躲开这一点，就把「鹈鹕骑自行车」换成你自己临时想到的其他组合（社区里常见的替代是青蛙、沙漏）。要点和 strawberry 一样：画得好说明不了什么，画得离谱才说明问题。

• 测什么与鹈鹕题同源、但答案唯一的补充题。考的是把角度换算成坐标：分针 10 分对应 60 度，时针 10 点 10 分对应 305 度，也就是要从 10 再往前挪 1/6 格。能不能算对这个角度，比画得好不好看更能说明问题。
• 怎么看渲染出来核对两处：一、分针是否指向数字 2 的方向；二、时针是否落在 10 与 11 之间，而不是正对 10。常见的失败是两根针都指向整点刻度，或者两针画到同一个方向。

注意：各模型把 0 度放在哪儿、按什么方向旋转的约定不同（有的以 12 点为起点顺时针，有的把 0 度放在右侧）。判读前先看它自己画出来的刻度位置，再对指针方向，别默认它跟你用同一套坐标。