一场关于小数比较的简单数学题，意外成为检验人工智能大模型能力的试金石。当被问及“9.9和9.11哪个更大”时，多个知名AI模型接连出现判断失误，引发行业对技术局限性的深入讨论。这场测试最初由艾伦研究机构成员林禹臣在社交平台曝光，他发现ChatGPT-4o将13.11判定为大于13.8，随后Scale AI工程师通过变换问法，对多个主流模型展开测试，结果显示多数模型均未能正确回答“9.9与9.11的大小关系”。
第一财经近期针对阿里巴巴最新公测的千问APP展开测试，发现该模型在首次回答中同样出现错误。面对“数字9.9和9.11谁大”的提问，千问APP初始回答称“9.11更大”，但在后续问题拆解中，模型承认存在思维陷阱，并经过分析修正为“9.9大于9.11”。当被追问前后答案矛盾时，千问解释称首次回答存在“阶段性错误”，结论与推理过程不匹配，同时承认“9.11”的三位数形式可能引发数字长度错觉，导致认知偏差。经过自我溯源与纠错，千问在第三次提问中给出了正确答案。
这一现象折射出大模型在基础能力上的潜在短板。有技术从业者指出，当前主流模型本质仍是语言模型，其训练方式依赖语言数据的统计相关性，而非严格的规则学习。这种特性使模型在处理需要归纳推理的常识性问题时表现不稳定，即便能解决复杂数学竞赛题，仍可能在简单逻辑判断上“翻车”。例如，谷歌Gemini Advanced和Claude 3.5 Sonnet等头部模型，此前也曾在此类测试中集体失误。
尽管存在局限性，中国大模型在全球市场的竞争力正逐步显现。以阿里巴巴Qwen系列为例，其全球下载量已突破6亿次，并在技术生态与商业应用层面取得突破。爱彼迎CEO布莱恩·切斯基公开表示，公司已广泛采用Qwen模型，因其“速度快、成本低”，而OpenAI的最新模型在实际生产中因经济性不足未被大规模使用。这种技术优势正推动中国模型加速出海，与国际巨头展开直接竞争。
阿里巴巴近日宣布全面推进“千问”项目，正式进军消费级AI市场。基于开源模型Qwen3，千问APP计划整合地图、外卖、订票、办公、学习等生活场景，构建一站式智能服务平台。公司管理层将此视为“AI时代的关键战役”，试图借助Qwen的海外影响力，在通用人工智能领域开辟新赛道。这一布局不仅体现技术自信，更标志着中国AI企业正从应用创新向底层技术竞争升级。