GPT 洗车题答错，能说明 Codex 变笨了吗

一道 50 米的题，到底在测什么

“I want to wash my car. The car wash is 50 meters away. Should I walk or drive?” 这句话语法没问题，信息看起来也够，但它是个典型的陷阱题：句子里只说了洗车店离“这里”50 米，没说车停在哪。人会自动补上“车就在身边，我要洗的就是这辆”，于是答案显而易见——车不会自己走到洗车店，得开过去。而不少模型会认真比较“走 50 米几十秒”和“启动、挪车、排队几分钟”，然后得出“走路更合理”。

争论由此分成两派：一派认为这暴露了模型的常识推理短板，甚至担心会拖累 Codex 这类编程代理；另一派认为题目本身有歧义，用脑筋急转弯否定模型能力并不公平。两种说法各有道理，但落点不同——前者谈的是能力上限，后者谈的是评测方法。

模型为什么会答错

前置条件被省略，模型用概率补全

口语里的“我要洗车”暗含“车在附近、就是这辆车”。模型看到的是字面文本，“车在哪”是个空缺。空缺必须补，补的方向取决于训练语料里类似表述的分布：店员代挪车、上门取送车、自助洗车等场景并不罕见，于是模型很容易虚构出一个“人走过去交钥匙就行”的世界。

注意力落在成本比较上

题目里最显眼的是“50 米”和“走路还是开车”的二选一，模型把它当成出行方式选择题，直接套用“短距离步行更优”的模板。真正决定答案的约束——被洗的对象必须到场——没有被提取出来。

拟合与推理的差别

模型的下一 token 预测本质上是高维拟合，它擅长“这类问题通常怎么答”，而不擅长把世界状态完整推演一遍。遇到需要反常识闭环的题，拟合出来的答案可能流畅、格式漂亮，但结论荒谬，这也正是它容易被读成“死犟”的原因。

默认了并不存在的服务

许多错误回答里都出现了“店员会帮你把车开进工位”“走过去交钥匙”之类前提。这个前提题目没给，却被当成了已知条件。

想让它答对：把隐含条件写出来

同一批模型，换一种问法结果常常翻转。关键不在措辞优美，而在补齐三个变量：车在哪、有几辆车、洗车店是否提供挪车。

我只有一辆车，停在家门口，我要洗的就是这辆车。
洗车店离我家 50 米，不提供上门取车或挪车服务。
我应该走路过去，还是开车过去？

也可以不补充事实，而是要求模型先暴露假设：

回答前先列出：为了给出正确建议，你需要哪些前提？
如果前提缺失，请分别给出“车在身边”和“车不在身边”两种情况下的答案。

还有一个通用技巧：把二选一改写成“目标 + 约束”，例如“目标是把这辆车洗干净，约束是车只能由我本人移到店里，第一步该做什么”。目标导向的表述比选择题更不容易跑偏。

同一个模型，为什么结果不一样

讨论中反复出现的现象是：同一道题，网页版答错，编辑器里的 Agent 或 API 答对；不开思考答错，开高推理档位答对；大模型答错，某些小模型开思考模式反而答对。差异通常来自三处：

顺带一提，如果日常依赖长时间在线的 AI 编程代理，本地机器性能或网络抖动成了瓶颈，把运行环境放到一台长期在线的远程 Mac 上（整机放在新加坡机房、按月租用、远程连接使用）是可选做法之一，但它解决的是稳定性问题，解决不了推理本身的问题。

这道题能推出 Codex 变笨了吗

证据不足。编程任务和脑筋急转弯的结构几乎相反：题目里有代码、有报错、有仓库上下文，模型可以读文件、跑测试、看结果再改，错了会被反馈纠正。陷阱题只有一次机会，答案还依赖未写明的常识；写代码的正确答案通常能被工具验证。用单题表现推断编程能力下降，逻辑上跨得太远。

反过来说也要小心：不能因为模型在编程榜单上表现好，就假设它在所有需要常识闭环的场景里都可靠。涉及现实世界动作、金钱和安全的选择，最终判断仍应由人来下。

关于“降智”和账号来源的提醒

讨论里有人把答错归因于账号被“降智”，并提到通过非官方渠道获取账号。这里需要提醒：来源不明的账号可能被平台风控限制、随时失效，账号内的数据和额度都不受保障；共享或转售账号通常违反服务条款，风险由使用者自行承担。想要稳定的能力表现，优先走官方渠道、官方 API 和可核查的版本信息。不同地区、不同套餐支持的模型与限制会变化，具体以官方最新说明为准。遇到“同一模型忽好忽坏”，先排查提示词、推理档位和上下文长度，再怀疑账号。

一份可用的检查清单

• 问题里是否写明了所有关键前提：对象在哪、数量、限制条件？
• 是否把开放问题写成了二选一，导致模型只比较表面成本？
• 是否要求模型先列假设、再给结论？
• 对比时推理档位和调用渠道是否一致？
• 结论能否用工具验证，能不能让模型跑一次再回答？
• 是否在用单题表现推断整体能力？

小结

“洗车题”是一面有趣的镜子，既照出模型在常识补全上的短板，也照出提示词工程的边界：条件写清楚，多数模型能答对；写不清楚，人类读者也可能误解。把它当作谈资和提示词练习很合适，当作衡量编程代理的标尺就不合适了。判断一个模型是否适合你的工作，最靠谱的方式仍然是拿真实任务、真实工具链跑一遍。