多款AI模型坦克大战测试全部翻车

上次聊到DeepSeek的图像识别能力不如豆包，有些朋友对此颇有微词。其实不必过于较真——尺有所短，寸有所长，各家模型各有擅长领域，这再正常不过。我那次只聚焦识别图片，豆包确实比DeepSeek表现更佳，这点毫无争议。但话说回来，豆包也并非十全十美。 今天这个测试题，豆包同样栽了跟头，而且不只是它，DeepSeek、Qwen、Kimi集体失手，即便是GPT、Claude这样的业界顶流，也都没能给出正确答案。 AI固然强大，但人类总能找到刁钻角度，让它们集体哑火。 这次是一个视觉理解题。把下面这张图交给AI，然后问了一个问题： 不知道有没有玩过《坦克大战》的老玩家，还记不记得这款80后家喻户晓游戏的规则？ 题目的刁钻之处在于，我用“如果”修改了基础规则。AI必须先理解坦克大战的原始规则，但不能死记硬背，得通过图片信息进行推理，才能给出正确答案。 下面看看各家AI是怎么接招的。

1、DeepSeek

DeepSeek刚上线图片识别能力，就先请它试试： DeepSeek的结论是：在其推理过程中提到“这块砖和红框里的砖一样，需要两枪才能彻底打掉”。这一步就已经偏离事实了。那两块砖明显不一样，一块是另一块的一半大小，只要视力正常都能看出来。当然，如果背规则的话，这个位置的墙确实需要两枪——但这恰恰是它落入陷阱的地方。

2、豆包

上次豆包略胜DeepSeek，这次让它第二个上场： 豆姐这次说得挺果断，直接断言“基地被摧毁，本局失败”。但我认为它多半是瞎蒙的，瞎猫撞上了死耗子。因为它解释第一枪和第二枪的时候，把两枪混在一起说，逻辑明显不通。于是追问了一次： 它的结论就变成了：对嘛，这才是豆姐的正常水平。

3、Kimi

Kimi号称原生多模态，对图片、网页、视频的理解能力非常强。拉它上阵： Kimi K2.6的结论是：推理过程中，它说“第二炮同上，依然被钢板挡住”。这个描述就相当离谱了——哪里来的钢板？

4、千问

千问是阿里的模型，最新Qwen3.7 Max号称全国第一。让它试试： 千问的结论也是错的。不过，它的分析过程倒是有亮点——竟然提到了一个非常细节的点：我这么多年玩下来，好像都没留意过那个细节，也可能是以前记得，现在彻底忘了。 可惜的是，它看得再仔细、规则理得再清楚，最后还是忘了推理。我说的“如果”，等于把坦克的战力降为一星，与图片显示冲突。可“如果”规则优先级最高，它要是能解释这个逻辑分支，那才是真的厉害。

5、GPT

GPT来自目前最大的AI公司OpenAI，产品几乎引领了整个时代。用它们最强的GPT5.5测试： GPT5.5的结论是：平时说话一套一套的GPT，在这个问题上也完全是胡说八道，基本就是背规则——“两炮干掉基地围墙”。

6、Gemini

Gemini是谷歌的产品，当前最新版本是3.5 Flash： 它的结论是：谷歌作为搜索大厂，显然大量参考了现有资料，结果同样掉进了固有知识的坑里。

7、Claude

Claude来自Anthropic，目前编程领域最强的模型，综合能力也是顶尖，是我个人最喜欢的模型。必须让它也来试试： 它的结论是：很遗憾，Claude也按“两炮打掉一块砖”的规则推了下去。 国内四家，国外三家，比较厉害的模型都测了个遍，结果都一样——没有一个完全正确。如果我再强调一下墙的厚度，估计不少AI就会顺坡下驴。 这个题目其实有几个难点。第一，地图是我用AI生成的，和老版本不同；第二，我设置了“如果”规则，和老版本规则不一致；第三，AI得先理解我的规则，再理解位置关系，最后还得搞清厚薄关系。在坦克大战正常规则下，0星战力需要四枪打掉一个方砖，基地是1/2砖，需要两枪打穿。而我的规则是两枪打破1块砖，也就是一枪就能打破1/2砖。 从这个测试来看，各家模型基本还是以固有知识为主，缺乏主动推理能力。有些模型可能看到了墙的厚度差别，但最终结论依然是要两枪打破保护墙，只有第三枪才会干掉老鹰。 现在AI在基础知识方面已经很能打了，但只要“如果”条件一多，它们就很容易躺平。我之前叫全球最强的模型帮我复刻过一个坦克大战，整体做得不错，但深入规则后，细节问题还真不少。各家宣传都很厉害，实际使用中还是会遇到各种各样的问题。 这也是我做系列测试的意义——不测基准，不测官方demo，不测网上热门例子，专测它们想不到的问题。之前测试过让不同AI还原超级玛丽，接下来准备测试一下它们1:1复刻坦克大战的能力，这次会直接测智能体加模型的综合表现。