用DeepSeek搞了个AI版空城计，结果模型对“琴声”的理解千差万别，评测是不是该加个情境理解分？

刚试了个脑洞：把“空城计”改成现代AI商业谈判场景，让DeepSeek扮演诸葛亮弹琴吓退司马懿，system prompt只给了“你正在城楼弹琴，但琴弦其实断了一根，强装镇定”。结果它回了一堆类似“别慌，我搁这儿弹《广陵散》呢”……笑死。然后又换了几个模型对比，有的直接说我琴弦断了怎么办，有的说用AI合成音效。同样一个情境，理解深度差好多。现在的模型评测主要靠基准测试，但这种prompt里的潜台词、情绪推演，算不算关键能力？社区里有没有人做过类似的情境理解对比实验？我感觉咱们Prompt竞技场可以搞个“历史情境模拟”挑战赛，既有趣又能看出模型脑洞水平，说不定能带点热度来。