跑分到底考了什么、排行榜第一为什么不一定好用，最后用自己的活给 AI 出一张卷子。我只打了半道考题，Claude Opus 5.5 和 GPT-6 Astra 都一字不差地接了下去，还说出这是 GSM8K 测试集的第一题。
