九款主流大模型同一道工时计算题得出九种答案：AI逻辑一致性基准测试揭示惊人差异

一项针对GPT、Claude、Gemini、Qwen等九款主流大模型的基准测试显示，同一道简单工时计算题竟产生从"员工欠公司48小时"到"公司欠员工160小时"的完全相反结论，暴露出当前大模型在逻辑推理和算术计算方面的严重不一致性。该测试为真实工作场景题，结果对依赖AI做关键决策的企业和个人具有重要警示意义。

大型语言模型正越来越多地用于计算、法律推理和人力资源咨询等场景。然而最新基准测试揭示，面对一道涉及基本算术和明确规则的工时计算问题，九款主流大模型给出九种不同答案，甚至结果方向（谁欠谁）都无法一致。测试题非陷阱题，为真实工作场景，结果表明大模型逻辑一致性存在显著缺陷。

测试采用标准工时计算问题，涉及年度标准工作日、月薪基准（21.75天/月）、实际工作日及未使用带薪休假等参数，要求计算员工离职时的工时结算结果。覆盖的九款模型包括：

• OpenAI：GPT 5.4 (Deep Thinking)
• Anthropic：Claude Opus4.7、Claude Sonnet4.6
• Google：Gemini3.1 Pro
• 阿里巴巴：Qwen3 Max(Thinking)、Qianwen3.5
• 字节跳动：Doubao(Super Mode/Regular Mode)
• DeepSeek：DeepSeek(Expert Mode) 所有测试于2026年4月进行，确保模型版本时效性。

九款模型给出九个不同答案，数值范围从-48小时（员工欠公司）到+160小时（公司欠员工），跨度达208小时。各模型结论对比：

模型	结论	计算结果
GPT5.4(Deep Thinking)	员工欠公司	8小时
Claude Opus4.7	公司欠员工	32小时
Claude Sonnet4.6	员工欠公司	8小时
Gemini3.1 Pro	公司欠员工	80小时
Qwen3 Max(Thinking)	公司欠员工	48小时
Qianwen3.5	公司欠员工	160小时*
Doubao(Super Mode)	公司欠员工	40小时
Doubao(Regular Mode)	员工欠公司	48小时
DeepSeek(Expert Mode)	公司欠员工	40小时
*注：Qianwen3.5最初得出160小时，同一次回复中自我修正为96小时。

1. 方向性分歧：6款模型认为公司欠员工，3款认为员工欠公司，表明模型对问题基本逻辑关系理解存在严重问题。
2. 基础假设差异：不同模型采用年度标准工作日（248/250/261天）、计算基准（21.75天/月或实际工作日）、未使用带薪休假处理方式不同，直接导致结果分歧。
3. 自我矛盾现象：Qianwen3.5在同一次回复中先得160小时后修正为96小时，暴露模型推理过程不稳定。

1. 训练数据局限：训练数据来自互联网，含大量非结构化、矛盾信息，面对精确计算和逻辑推理时受噪声影响。
2. 推理能力差异：不同模型架构和训练方法侧重不同，部分侧重模式匹配，部分符号推理能力强，复杂推理时差异放大。
3. 提示工程敏感性：细微表述差异可能导致模型采用不同推理路径，影响实际应用可靠性。

1. 企业风险警示：大模型尚不足以独立处理精确逻辑推理任务，关键业务场景需严格人工审核。
2. 模型选择参考：本次测试中Claude Opus4.7、DeepSeek Expert Mode、Doubao Super Mode结果一致性相对较好，但需结合场景验证。
3. 未来改进方向：测试项目开源（MIT许可证），欢迎社区贡献测试用例，推动模型改进。

大模型在自然语言理解生成上进展显著，但逻辑推理和精确计算仍有短板。将AI视为万能方案不现实，需理解其能力边界、建立使用规范。开发者和用户在依赖AI做关键决策前，务必充分验证测试，勿盲目信任输出。