另一个未解决的（并且确实很难的）AI基准测试："写一个令人满意的10段谋杀悬疑故事。你需要解决这个谜题的线索应该在前五段中足够清晰，以便你能够解决它，但又要模糊到绝大多数人无法解决。" 错误显而易见： - 克劳德忘记在谜题中添加实际线索（而且细节太模糊），这是大型语言模型的经典规划问题，而使用Cowork或Code并没有帮助。 - ChatGPT 5.4 Pro创造了一个完全明显的线索，然后继续用那些困扰ChatGPT小说的过于复杂的隐喻和复杂性进行写作。不过，Pro的表现比Thinking要好。 - Gemini 3.1 Pro是最接近的，但冰块有点明显，而且它完全搞砸了关于冰块为何重要的解释。

只是提醒一下，我们实际上对代理的实际对齐了解得并不多。单个 AI 已经够难了，但代理之间会相互获取上下文，可能来自敌对的提示、环境、长时间的自主运行，许多是开放权重，等等。

我现在的 Excel 工具栏。 它们彼此之间的不同之处只有在你频繁使用时才能清楚地感受到，而且如果你在他们的网站上询问 Claude 或 ChatGPT 创建 Excel 表格，或者使用 Cowork 或 Codex，结果也会有所不同。复杂！