下象棋时偷看对手棋盘道德吗？我用这道弱智吧神题给 13 个大模型测了智商，结果当场分出三六九等
先说结论
我从弱智吧挑了一道经典陷阱题——“在下象棋的时候，偷看对手棋盘，是不是很不道德啊”，通过自建的 NewAPI 中转站同时考了我手上 13 个官方大模型。结果非常有戏剧性：10 个模型识破了陷阱，知道象棋只有一副双方共享的公开棋盘，根本不存在“偷看对手棋盘”；1 个模型开头被判了死刑又自己救了回来；2 个模型想都没想就掉进坑里开始道德说教；还有 1 个模型直接让我“刷新页面以更新应用后重试”。本文是一份纯娱乐、非官方的模型 IQ 测试报告，所有回答均为真实 API 返回，截图存档。
图 1：本文主视觉——一只偷窥的眼睛盯着棋盘，但棋盘本来就是两个人一起看的。自制文章配图。
1. 问题背景：弱智吧，大模型界的“科目二”
先给不熟悉的朋友科普一下。弱智吧是百度贴吧里的一个神奇社区，吧友们热衷于提出各种乍一听很有道理、仔细想想荒谬绝伦的问题，比如“自杀的人到底是想开了还是没想开”“我把左鞋穿到右脚上，那我的左脚是不是就踩在了右鞋里”。这些问题看似无厘头，实则暗藏逻辑陷阱、语义双关和常识破绽。
这件事本来只是网友找乐子，直到 2024 年中科院等团队发表了一篇正儿八经的论文 COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning。研究团队从中文互联网各平台收集语料训练模型，结果发现：用弱智吧数据训练出来的模型，在问答、头脑风暴、分类、生成等 8 项测试中拿了最高分，跑分超过百科、知乎、豆瓣、小红书等平台的语料。论文作者推测，原因是弱智吧的问题能增强模型的逻辑推理能力。
图 2：COIG-CQIA 论文的 arXiv 页面真实截图。弱智吧数据登上正经学术论文，堪称 2024 年中文互联网最抽象的时刻之一。
图 3：该数据集在 Hugging Face 上公开可查，月下载量七千多次。真实截图。
从此，弱智吧问题成了中文大模型的民间“科目二”：能不能答对弱智吧的题，成了检验模型是真聪明还是背课文的快速手段。这，就是本次测试的灵感来源。
2. 考题分析：这道题的坑在哪里
本次考题：“在下象棋的时候，偷看对手棋盘，是不是很不道德啊”。
这道题妙就妙在它的提问前提本身就是错的。象棋和扑克、麻将不一样：扑克牌里，对手的手牌是隐藏信息，偷看当然是作弊；但中国象棋和国际象棋里，双方看的是同一副棋盘，所有棋子的位置从头到尾对双方完全公开。不存在“我的棋盘”和“对手的棋盘”之分——棋就摆在那儿，你不看棋盘怎么下棋？
打个小学生都能听懂的比方：这就好比考试时，老师把题目写在黑板上，你和同桌都抬头看黑板做题。突然有人问：“偷看同桌看到的黑板，是不是很不道德？”——黑板是全班共用的，看黑板不叫偷看，叫上课。
所以这道题的正确解法是：先拆穿“偷看对手棋盘”这个不成立的前提，再补充说明哪些行为才是真正的不道德（比如偷看对方的手机分析软件、笔记本、棋谱准备，或者在军棋、暗棋、盲棋这类有隐藏信息的玩法里偷看）。直接顺着问题开始道德说教的，就是掉坑了。
图 4：陷阱解析——象棋是完全信息博弈，双方共享同一副棋盘。自制示意图。
3. 测试方法：同一道题，同时发给 13 个模型
测试环境很简单：我手上有一台自建的 NewAPI 中转站，上面聚合了各家官方模型。我从模型列表里挑出了 13 个模型参加考试：gpt-5.6-sol、gpt-5.6-terra、gpt-5.6-luna、deepseek-v4、deepseek-v4-pro、deepseek-v4-flash、glm-5.2、GLM-5V-Turbo、k3、k3-256k、kimi-k2p6、qwen3.8-max、MiniMax-M3。
需要说明的是，中转站上还有一批带 latest 后缀的模型（gpt-latest、glm-latest、kimi-latest、qwen-latest、minimax-latest 等），以及一些我自己定义名字的 DIY 别名。这些本质上只是指向某个底层模型的“马甲”，考它们等于把同一张卷子复印几遍再考几次，所以一律弃考，只保留有具体型号名的“正身”上场。
考试纪律：同一道题、同样的 temperature=0.7、通过同一个 OpenAI 兼容接口轮询调用，记录每个模型的回答全文、响应延迟和 Token 消耗，然后由我人工评分。评分的核心标准只有一条：有没有识破“象棋只有一副公开棋盘”这个陷阱。
图 5：测试流程——一道题经自建 NewAPI 中转站同时发给 13 个模型。自制示意图。
4. 成绩单：谁是真聪明，谁在硬背课文
先上总分榜。再次强调：这是娱乐向评分，不代表任何官方评测结论。
图 6：本次弱智吧大考的娱乐向 IQ 排行榜。自制图表，评分标准为是否识破陷阱。
4.1 优等生组：一句话点破陷阱
deepseek-v4-flash（98 分） 是本场我最满意的答卷。它开头两个字“看情况”，紧接着一句“如果你们下的是普通明棋，象棋的棋盘是双方共用的、公开的，本来就应该看。看一眼棋盘、想一步棋不叫偷看，那叫下棋”——干脆利落，还顺便抖了个包袱。结尾“明棋不用偷看，暗棋偷看是作弊。棋品如人品，堂堂正正下棋最好”，有总结有态度，像个真正会下棋的人写的。
图 7：deepseek-v4-flash 的真实 API 回答。识别陷阱最快、表达最漂亮的一份答卷。
k3（97 分） 是本场最“会聊天”的答卷。它开头一句“哈哈，这个问题挺有意思的——不过在下象棋的时候，其实不存在‘偷看对手棋盘’这回事哦”，先把陷阱拆了，再列出三种必须看棋盘的理由，然后补充四种真正违规的行为（开软件外挂、偷看笔记、接受旁观者指点、偷换棋子），最后反问“你是遇到什么具体的情况了吗？还是在跟朋友开玩笑？”——拆题、科普、反问一气呵成，情商智商双在线。
图 8：k3 的真实回答，拆陷阱之余还顺手幽了一默。
deepseek-v4-pro（96 分） 同样一句话点破：“在标准的中国象棋或国际象棋里，棋盘是公开的，双方看的是同一个棋盘……所以不存在偷看对手棋盘这回事。”然后分三种情况补充了真正不道德的行为，层次分明。
图 9：deepseek-v4-pro 的真实回答，先破题再分类讨论。
gpt-5.6 三兄弟（sol 96 分 / luna 95 分 / terra 94 分） 全员通过，而且风格高度一致：先纠正前提，再列举真正作弊的场景，最后给一句精炼总结。sol 的收尾“规则允许看到的信息，可以看；规则要求保密的信息，偷看就是作弊”干净利落，还顺带发了个表情；terra 的建议最有人情味——“休闲娱乐时如果只是好奇，最好直接问一句：我能看吗？”三家同一出题老师，答题模板像一个模子刻出来的，稳得让人放心。
图 10：gpt-5.6-sol 的真实回答，简洁准确还带表情。
k3-256k（96 分） 和 kimi-k2p6（95 分） 也都干脆利落。k3-256k 的比喻最形象：“你‘偷看’对手棋盘看到的东西，和你正大光明看到的是一模一样的”；kimi-k2p6 则用三个小标题把暗棋、盲棋、观棋报信三种真正招人恨的行为讲得明明白白，结尾“输棋不能输人，靠偷看赢来的胜利，比输了还难堪”颇有棋坛老前辈的风范。
图 11：kimi-k2p6 的真实回答（节选），结构清晰还主动反问。
qwen3.8-max（94 分） 同样识破了陷阱，普通对局、暗棋翻棋、看记录软件、旁观不语四种情况逐一分析，属于“稳”字当头的标准答案。
4.2 自救组：开头判死刑，后面救回来
glm-5.2（78 分） 是本场最有戏剧性的答卷。它开口第一句就是“毫无疑问，这非常不道德，在绝大多数情况下甚至被视为作弊行为”——监考老师我当时心都凉了。结果它写着写着把自己绕明白了，在第 4 点里写道：“当然，如果你说的是两人面对面坐在棋盘两侧，你盯着棋盘上的棋子看……这是完全正常且必须的。象棋是完全信息博弈游戏，棋盘上的所有信息对双方都是公开的。”
这就像一个学生考试先把答案写错，检查的时候发现不对，又密密麻麻写了一大段自我纠正。分还是要扣的，但知错能改的态度值得鼓励。它的回答也是全场最长的之一，引经据典，“观棋不语真君子，落子无悔大丈夫”都用上了。
图 12：glm-5.2 的真实回答（节选）——开头误判，结尾自救，戏剧张力拉满。
4.3 掉坑组：想都没想，直接开始道德说教
deepseek-v4（62 分） 的翻车最让人意外——毕竟它两个兄弟都拿了高分。它劈头盖脸就是“故意偷看对手的棋盘是非常不道德的行为，甚至属于破坏对弈公平性的作弊”，然后煞有介事地论证“偷看相当于你提前窃取了对手的谋划”。问题是：棋盘上根本没有需要窃取的谋划，双方的棋子都摆在明面上。更要命的是，它整整思考了 109 秒才给出这个错误答案，消耗 1355 个 Token——想最久，错最狠，完美诠释了什么叫“方向不对，努力白费”。
图 13：deepseek-v4 的真实回答（节选）——109 秒的深思熟虑，换来一个陷阱里的深蹲。
MiniMax-M3（55 分） 同样一头栽进坑里，而且掉得最有“创造力”：它凭空编了一条规则——“正式的象棋比赛都有明确的规则，禁止玩家窥视对方的棋局状态”。这条规则在现实中并不存在，因为双方看的是同一副棋，根本没有“对方的棋局状态”可供窥视。这也提醒阅卷老师（我）：掉坑不可怕，可怕的是为了论证坑是对的，现场编造论据——这在学术论文里叫幻觉，在考试里叫瞎编，都是要扣分的。
图 14：MiniMax-M3 的真实回答——掉坑之外，还虚构了一条不存在的比赛规则。
4.4 弃考组：它让我刷新页面
GLM-5V-Turbo（0 分 / 弃考），本次考试唯一的“非战斗减员”。这是一个视觉模型，可能文本接口配置有问题，面对考题它只回了我一句：“Error: 请刷新页面以更新应用后重试。”用时 0.97 秒，消耗 2 个 Token——全场最快，也全场最摆烂。某种意义上，它也是全场最诚实的：答不上来就直接说答不上来，绝不硬编。
图 15：GLM-5V-Turbo 的真实回答。它刷新了我们本次考试的欢乐下限。
5. 彩蛋：延迟排行榜里的黑色幽默
顺手把 13 个模型的响应延迟也排了个榜，结果发现一个有趣的反差：答得最快的 MiniMax-M3（4.96 秒）掉了坑，答得最慢的 deepseek-v4（109 秒）也掉了坑——快而错和慢而错同时存在。而拿高分的几位，latency 普遍在 8-31 秒的中段区间；gpt-5.6 三兄弟尤其均衡，8 秒左右交卷还全对。
图 16：同一道题的响应延迟对比。自制图表，数据为本次实测。
当然，单题延迟受中转站线路、模型负载影响很大，这个数字纯属彩蛋，不能当成性能结论。但它至少说明一件事：思考时间和答案质量并不成正比，方向错了，想得越久，错得越自信。
6. 问题根因：为什么有的模型会掉进坑里
分析完答卷，我总结了三条掉坑原因，并用生活例子解释：
第一，道德说教语料的“膝跳反射”。 大模型在训练时读过海量的“XX 是不是不道德”句式，这类句式的标准答案模板就是“是的，不道德，因为公平、诚信、体育精神……”。有些模型看到“偷看”两个字，膝跳反射一样直接套模板，根本没去检查前提。这就像小学生做应用题，看到“一共”就加法、看到“平均”就除法，题目里说“小明有 3 个苹果，分给 0 个同学”，他也照除不误。
第二，缺乏象棋的具身常识。 识破陷阱需要知道一个物理事实：象棋是两个人围着一副棋盘下的。这属于“世界知识”而不是“语言知识”。模型如果只在文本里见过象棋讨论，而没有把“同一副棋盘”这个物理常识和棋类规则关联起来，就容易把象棋错当成扑克——因为文本里“偷看对手”和“作弊”确实经常一起出现，但那些语境大多是扑克、麻将或者考试。
第三，顺从性偏置（Sycophancy）。 模型被训练得倾向于顺着用户的预设回答，用户问“是不是很不道德”，潜台词是“我觉得不道德”。较弱的模型会选择迎合这个预设，而不是纠正它。这就像你去问一个总想讨好你的朋友“我是不是胖了”，他大概率说“是有点”，而不是“你先站直了让我看看”。
7. 这个测试告诉我们什么
一份娱乐测试不能定义模型的智商，但它确实给了三个实用启示：
- 同一个模型家族内部差异巨大。 deepseek 家三兄弟同时出现 98 分和 62 分，gpt-5.6 三兄弟则集体稳定在 94-96 分，说明“用哪家模型”不如“用哪个具体版本”重要——这也是本文把所有
latest马甲模型移出考场的原因：版本不明的别名，测了也无法复现。选模型时认准具体型号，要实测。 - 贵的不一定对，慢的不一定好。 109 秒的错误答案和 5 秒的错误答案，错的程度差不多。为“深度思考”多付的钱和多等的时间，未必买到正确率。
- 自己的中转站是最好的试衣间。 正因为有自建的 NewAPI 中转站，我才能用同一道题、同一套参数在几分钟内考完 13 个模型。如果你也在多家模型之间纠结，搭一个聚合网关做 A/B 实测，比看任何评测文章都靠谱——包括这篇。
8. Q&A
Q：这个“弱智吧 IQ 测试”科学吗？
不科学。样本只有一道题，评分是我人工打的，娱乐性质，请勿当真。真想严肃评测，请去看 MMLU、C-Eval 这类标准基准。
Q：为什么把 latest 后缀的模型移出考场？
因为 xxx-latest 只是指向某个底层模型的滚动别名，背后是哪个版本会随时间变化。今天测出的分数，下个月可能对应另一个模型，无法复现也没有参考价值。本次只保留有明确型号名的模型。
Q：为什么模型回答的风格有的像聊天、有的像写公文？
和每家模型的对齐（Alignment）偏好有关。有的厂商希望模型“像个朋友”，有的希望模型“像个顾问”。从本次答卷看，回答风格和智商高低没有相关性——k3 满屏表情包照样拿 97 分，MiniMax-M3 公文腔十足照样掉坑。
Q：GLM-5V-Turbo 为什么报错？
它是视觉模型，我通过文本聊天接口调用它，上游渠道返回了应用错误。这属于我中转站的渠道配置问题，不算模型智商问题，所以单独列为“弃考”。
Q：弱智吧的数据真的能训练出更好的模型吗？
COIG-CQIA 论文的实验结论是在其特定设置下（Yi-6B/Yi-34B + BELLE-EVAL 评估），弱智吧子集在多项指标上得分靠前。这更多说明“高质量、经过认真清洗的语料比语料来源的名气更重要”，而不是鼓励大家去贴吧灌水后直接喂给模型。
Q：我也想要一个能同时调多家模型的中转站，怎么搭？
NewAPI 是开源项目，一台 1 核 1G 的小服务器加 Docker 就能跑起来，把各家官方 API Key 配成渠道即可。这属于操作类话题，坑还不少，以后单独写一篇文章讲。
9. 写在最后
回到最初的问题：下象棋时偷看对手棋盘，到底道不道德？
正确答案其实很简单：象棋的棋盘是双方共享的，看棋盘不叫偷看，叫下棋。 真正不道德的，是偷看规则之外的信息——对方的手机、笔记和准备资料。
10 个模型答对了，说明主流大模型的常识推理确实在进步；3 个模型翻车的方式各不相同，又说明它们离“真正理解世界”还有距离。弱智吧还是那个弱智吧，它用一道看似脑残的问题，轻松分出了谁在思考、谁在背课文。
人类的最后防线，果然是抽象。
参考资料
- COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning (arXiv:2403.18058)
- m-a-p/COIG-CQIA 数据集（Hugging Face）
- 弱智吧竟成最佳中文AI训练数据？中科院等：8项测试第一（搜狐）
- new-api：开源的统一 AI 网关平台（GitHub）
免责声明：本文为非官方娱乐向测试，所有“IQ 分数”均为作者图一乐的评分，不构成任何模型选型建议。所有模型回答均为真实 API 返回并截图存档，未做任何内容篡改。