當(dāng)所有人都在從ChatGPT涌向Claude時(shí)，一份新測(cè)試報(bào)告潑了盆冷水——這兩個(gè)"頂流"都不是最聰明的免費(fèi)AI。真正的贏家讓人意外。

OmniCalculator的最新測(cè)試用可量化的數(shù)學(xué)題說(shuō)話，結(jié)果Grok 4.2在邏輯和問(wèn)題解決能力上拿下第一。這不是關(guān)于寫(xiě)作風(fēng)格或?qū)υ捔鲿扯鹊谋绕矗羌償?shù)學(xué)硬實(shí)力的較量。

但別急著換工具。測(cè)試同時(shí)揭示了一個(gè)更復(fù)雜的現(xiàn)實(shí)：智商最高的，未必是最適合你的。

數(shù)學(xué)冠軍≠全能冠軍

OmniCalculator的測(cè)試設(shè)計(jì)很直接——讓AI做數(shù)學(xué)題，看誰(shuí)能對(duì)。Grok 4.2在這個(gè)維度上擊敗了所有對(duì)手，包括被大量用戶(hù)追捧的Claude和ChatGPT。

這個(gè)結(jié)論的微妙之處在于它的限定詞。" smartest free AI"前面跟著"when it comes to the quantifiable math ability"。

換句話說(shuō)，Grok贏的是可量化的計(jì)算賽道。它能處理復(fù)雜邏輯題，在需要精確推導(dǎo)的場(chǎng)景下表現(xiàn)穩(wěn)定。這對(duì)程序員、數(shù)據(jù)分析師、需要驗(yàn)證計(jì)算過(guò)程的用戶(hù)是實(shí)打?qū)嵉膬?yōu)勢(shì)。

但測(cè)試報(bào)告明確劃定了邊界：這不涉及寫(xiě)作風(fēng)格、對(duì)話能力，或其他聊天機(jī)器人的功能維度。

一個(gè)數(shù)學(xué)尖子生，未必是最佳寫(xiě)作搭檔。

Claude的真正護(hù)城河：長(zhǎng)文本與語(yǔ)氣

Claude 4.6在測(cè)試中被單獨(dú)拎出來(lái)表?yè)P(yáng)的是另一項(xiàng)能力——處理長(zhǎng)文檔時(shí)的連貫性和一致性。

OmniCalculator的報(bào)告指出，Claude能在長(zhǎng)文本中保持"consistent voice throughout"，不會(huì)因?yàn)樯舷挛淖冮L(zhǎng)而丟失邏輯線索。這對(duì)需要分析幾十頁(yè)報(bào)告、整理大量資料的用戶(hù)是剛需。

更微妙的是它的"不確定性表達(dá)"。Claude更愿意在答案中承認(rèn)"我不確定"或"這可能是"，這種語(yǔ)氣創(chuàng)造了一種"measured rather than overconfident"的感知。

用戶(hù)讀到的是謹(jǐn)慎的、經(jīng)過(guò)權(quán)衡的回答，而非斬釘截鐵的斷言。這種風(fēng)格在需要深度思考的場(chǎng)合反而更可信——哪怕底層推理能力未必更強(qiáng)。

Claude近期用戶(hù)增長(zhǎng)的驅(qū)動(dòng)因素也被點(diǎn)明：一部分是對(duì)ChatGPT軍事AI合作的不滿(mǎn)，另一部分正是被這種回答質(zhì)感吸引。

ChatGPT的悖論：最受歡迎，卻非最強(qiáng)

測(cè)試報(bào)告給ChatGPT的定位很尷尬——"still the most popular AI chatbot around"，即使在用戶(hù)向Claude遷移的浪潮中。

但 popularity 和 capability 在這里出現(xiàn)了分離。OmniCalculator的數(shù)據(jù)顯示，在數(shù)學(xué)和邏輯測(cè)試的硬指標(biāo)上，ChatGPT被Grok 4.2超越；在長(zhǎng)文本寫(xiě)作質(zhì)量上，又落后于Claude 4.6。

一個(gè)值得注意的發(fā)現(xiàn)是"legacy models"的表現(xiàn)——包括早期版本的ChatGPT和Claude，在復(fù)雜問(wèn)題解決場(chǎng)景中大約60%的時(shí)間會(huì)"revise or second-guess their own answers"。

這種自我修正的不穩(wěn)定性在日常閑聊中不明顯，但在需要可靠輸出的場(chǎng)景下會(huì)成為隱患。較新的模型版本在這方面有所改善，但測(cè)試暗示了不同架構(gòu)之間的根本差異。

ChatGPT的粘性可能來(lái)自生態(tài)鎖定、使用習(xí)慣，或Plus會(huì)員的沉沒(méi)成本，而非純粹的性能優(yōu)勢(shì)。

用戶(hù)遷移的隱形門(mén)檻

測(cè)試報(bào)告附帶了一個(gè)觀察：大量用戶(hù)涌向Claude后，發(fā)現(xiàn)"they can't use it the same way"。

這指向了AI工具的一個(gè)核心痛點(diǎn)——切換成本不只是重新學(xué)習(xí)界面，而是理解不同模型的"性格"和最佳使用場(chǎng)景。

ChatGPT和Claude的提示詞策略并不通用。一個(gè)在ChatGPT上效果驚艷的復(fù)雜提示，可能在Claude上得到平庸回應(yīng)，反之亦然。這不是模型智商的問(wèn)題，是交互范式的差異。

Grok 4.2的數(shù)學(xué)優(yōu)勢(shì)也有代價(jià)。xAI的產(chǎn)品定位更偏向" edgy "和實(shí)時(shí)信息獲取，這種品牌調(diào)性可能讓部分企業(yè)用戶(hù)猶豫。而數(shù)學(xué)能力強(qiáng)，是否足以抵消生態(tài)和信任層面的考量？

OmniCalculator的測(cè)試沒(méi)有回答這個(gè)問(wèn)題，但提出了一個(gè)框架：把"smartest"拆解為可測(cè)量的子維度，而不是籠統(tǒng)的口碑排名。

免費(fèi)層的殘酷真相

所有測(cè)試都限定在"free AI"范圍內(nèi)。這意味著付費(fèi)層的格局可能完全不同——OpenAI的o系列推理模型、Claude的Pro版本、Grok的SuperGrok訂閱，都未被納入比較。

但免費(fèi)層恰恰是大多數(shù)用戶(hù)的真實(shí)戰(zhàn)場(chǎng)。測(cè)試揭示的悖論是：沒(méi)有單一模型在所有維度領(lǐng)先，用戶(hù)被迫在數(shù)學(xué)能力、寫(xiě)作質(zhì)量、長(zhǎng)文本處理之間做權(quán)衡。

Grok 4.2的登頂是一個(gè)信號(hào)——xAI在核心推理能力上的投入正在產(chǎn)生可量化的回報(bào)。但這不等于建議所有人立即遷移。

測(cè)試報(bào)告的最終判斷是務(wù)實(shí)的：對(duì)普通人而言，"which AI can make it through complicated logic and math problems"遠(yuǎn)不如長(zhǎng)文本 coherence 和回答 tone 重要。

數(shù)學(xué)冠軍適合特定人群，而寫(xiě)作質(zhì)感影響每一次交互。

這個(gè)結(jié)論本身就在挑戰(zhàn)"最聰明AI"這個(gè)概念的實(shí)用性。智商測(cè)試的第一名，可能不是日常使用的最優(yōu)解。