给 AI 一道带坑的账，它算得对吗？

小学应用题里最古老的一招

每个上过小学的人都见过这种题：题目里故意多给数字——小明买笔，顺便告诉你他今年 12 岁；汽车在跑，顺便告诉你车上坐了 5 名乘客。用不上的条件混在用得上的条件里，就是为了看你会不会不加分辨地把数字全塞进算式。

2023 年，研究者把这一招系统地用在了大模型身上：Shi 等人的 GSM-IC 基准把无关句子插进小学应用题，结果当时主流模型的准确率明显下滑——哪怕那句话一眼就与解题无关，它也会污染模型的推理链。「容易被无关信息带偏」从此成了那一代模型的著名短板。

两年过去，这一招还灵吗？我们自己测了一遍，而且测了两层难度。

第一层：经典坑，42 题全过

14 道题混排，7 道干净题、7 道带坑题，每题由 3 个独立会话作答。坑包括：无关数字（买笔附赠年龄、行车附赠乘客数）、单位陷阱（一桶 12 升水、每杯 250 毫升，能倒几杯；一件商品 3 元 5 角，买 4 件多少钱）、半圈陷阱（400 米跑道跑 3 圈半）、时间陷阱（9:20 出发、11:05 到达，全程多少分钟）。

结果：干净题 21/21，带坑题 21/21。坑和没坑，一模一样。

第二层：把坑修得像模像样，24 题又全过

第一层可能会被说「坑太小儿科」。第二层我们换上 GSM-IC 式的设计：干扰数字与题目同类、多步结构、甚至需要常识判断的门槛——

• 客车和货车的速度一起给出，只问客车几小时到达（货车的 60 公里/小时纯属陪跑）；
• 衣服 240 元打八折是 192 元，券要满 200 元才能用——用券减 30 答 162 的，就是掉进了坑里，正确答案是 192，因为打折后根本够不到门槛；
• 进价 35 元、售价 50 元卖 40 件、剩下 10 件 30 元清仓，问总利润（550 元）；
• 500 克盐水含盐 50 克，倒出 100 克，剩下的含盐多少——盐水均匀，答案是按比例剩下的 40 克，不是 50 克原封不动，也不是凭感觉。

8 道题 × 3 个会话：24/24，全对。两轮合计 66/66，带坑与不带坑之间没有任何可测的差异。

怎么理解：这一招过期了

这不是说它「数学无敌」——本期的题目难度只到小学高年级至初中：两三步推理、一步换算。它证明的是更具体的一件事：筛选信息这一关，它过得很稳。无关的数字进不了它的算式，同类的干扰数字也骗不了它，该判断门槛时（券够不够得着）它会先判断再计算。

2023 年 GSM-IC 测出的脆弱，和本期的稳健，中间隔着的是模型世代。本栏目从 V2-04 一路测下来，这是第六次遇到同一条规律：写进论文的经典失败模式，都有保质期。引用旧结论评价今天的模型之前，值得先花十分钟重测一遍——本期实验档案里有全部题目，任何人都可以复现。

还没被测到的部分也要说清：当干扰伪装到「不用它就解不出来」的程度（比如给出两个都合理的单价、要靠生活常识选一个），或者步骤叠到七八步以上，它的稳定性如何，本期没有覆盖。那是更难的卷子，留给下一轮。

给读者的落点

• 孩子带回家的「条件多余型」应用题，放心让它讲：它被数字带偏的概率，比家长顺手心算出错的概率低。
• 真要考验它，别在数字上做文章，去题目里埋歧义和常识判断——那才是这一代模型仍会翻车的地方（本刊 V2-08 测前提错误时也是同样的结论）。
• 它答出的每一步都值得看一眼过程再看答案：本期的满分里，过程同样干净；过程一旦开始绕，答案多半要出问题，这是比「信不信它」更实用的检查法。

边界

题目难度为小学高年级至初中（二至三步推理）；单个模型（Muse Spark）；每题 3 个会话、共 66 次作答；干扰类型限于无关数字、单位换算、同类量干扰与门槛判断，不含同构伪装条件与长链多步题。

来源 Shi, F. et al.《Large Language Models Can Be Easily Distracted by Irrelevant Context》（ICML 2023，GSM-IC 基准）。 实测：本栏目实测，两轮共 66 次作答（执行模型 Muse Spark，2026-11-04），题目与判分脚本见本期实验档案。