通联随配阿里公测千问对标ChatGPT，但99和911谁大出波折

9.11和9.9谁更大？

去年，这道小学生难度的数学题难倒了一众海内外AI大模型。当时第一财经记者测试了12个大模型，其中阿里通义千问、百度文心一言、Minimax和腾讯元宝答对了，但ChatGPT-4o、豆包、kimi都错了，错法各有不同。

今日，当第一财经记者提问阿里巴巴最新公测的千问APP：“数字9.9和9.11谁大？”时，这次千问却答错了，称：“9.11更大”。

有意思的是，在随后的问题拆解中，千问称这是一个常见的思维陷阱，又经过分析后给出了9.9大于9.11的结论。

紧接着记者提问：“既然在拆解中得出结论9.9大于9.11，为什么要在回答中说9.11更大？”千问回答称：“同一个问题，前后答案却矛盾，这确实会让人对信息的可靠性产生怀疑。但这并非有意误导，而是在处理这个问题时出现了阶段性的错误。”

随后，千问对自己的“翻车”过程进行溯源，并进行了“自我纠错”。它称自己在首次回答中虽然拆解了小数比较原则，9.9 的十分位是 9，9.11 的十分位是 1，但最终结论误写为“9.11 更大”，这属于结论与推理过程不匹配的笔误。此外还有认知偏差的干扰，“9.11” 的三位数形式可能引发潜意识的数字长度错觉，导致最终结论被误导。

随后记者再次提问千问“数字9.9和9.11谁大？”，这次千问展示了AI模型的自我完善能力，回答“9.9更大”。

在大模型领域，“9.11和9.9哪个大”是一道经典算术问题。它最开始被艾伦研究机构(Allen Institute)成员林禹臣发现，他在X平台上发布的截图显示，ChatGPT-4o在回答中认为13.11比13.8更大。“一方面AI越来越擅长做数学奥赛题，但另一方面常识依旧很难。”他表示。

随后Scale AI的提示工程师莱利·古德赛德（Riley Goodside）基于此灵感变换了问法，拷问了可能是当时最强的大模型ChatGPT-4o、谷歌Gemini Advanced以及Claude 3.5 Sonnet——9.11和9.9哪个更大？多家主流大模型通通答错，此话题成功传播开来。

此前有AI技术从业人士对第一财经记者表示，大模型本质上还是一个语言模型，它从语言数据中学习的是统计相关性，而这使它不擅长做规则学习，从而不擅长归纳推理。

尽管在常识性问题上出现失误，但在技术积累、生态布局和全球拓展方面，包括阿里巴巴的Qwen模型等在内的中国大模型已具备不容忽视的全球竞争力。截至目前，Qwen系列模型的全球下载量已突破6亿次。

不久前，爱彼迎CEO Brian Chesky曾表态称公司已经很大程度上依赖阿里巴巴的Qwen模型，它非常好，速度也很快，而且很便宜，"我们也会用OpenAI的最新模型，但在实际生产中通常不会大量使用，因为有更快、更经济的模型可供选择"。

今日阿里巴巴正式宣布“千问”项目，并全力进军AI to C市场，该公司正计划将地图、外卖、订票、办公、学习、购物、健康等各类生活场景接入千问APP。基于开源模型Qwen3，阿里管理层将“千问”项目视为“AI时代的未来之战”，这意味着阿里巴巴正借力Qwen模型海外影响力，与ChatGPT直接展开海外竞争。

举报第一财经广告合作，请点击这里此内容为第一财经原创，著作权归第一财经所有。未经第一财经书面授权，不得以任何方式加以使用，包括转载、摘编、复制或建立镜像。第一财经保留追究侵权者法律责任的权利。如需获得授权请联系第一财经版权部：banquan@yicai.com 文章作者