另一個未解決的（且坦白說很難的）AI 基準測試："寫一個令人滿意的 10 段謀殺懸疑故事。解開謎團所需的線索應該在前五段中足夠清晰，以便你能解決它，但又要模糊到大多數人無法解決。" 錯誤顯示出來了： - 克勞德忘記將實際的線索添加到謎題中（而且細節過於模糊），這是 LLM 的一個經典規劃問題，而使用 Cowork 或 Code 並沒有幫助。 - ChatGPT 5.4 Pro 創造了一個完全明顯的線索，然後繼續用過於繁瑣的隱喻和複雜的情節來寫作，這些一直困擾著 ChatGPT 的小說。不過，Pro 的表現比 Thinking 好。 - Gemini 3.1 Pro 是最接近的，但冰的線索有點明顯，並且完全搞砸了關於為什麼冰的事情重要的解釋。

只是提醒一下，我們實際上對於代理的實際對齊知之甚少。單一的人工智慧已經夠困難了，但代理之間會相互獲取上下文，來自潛在敵對的提示、環境、長時間的自主運行，許多都是開放權重等等。

我現在的 Excel 工具列。 它們彼此之間的不同之處，只有在你經常使用它們時才會變得清晰，並且如果你在他們的網站上詢問 Claude 或 ChatGPT 來創建 Excel 表格，或者使用 Cowork 或 Codex，結果也會有所不同。複雜！