让模型分辨同一款游戏的主机版本差异，它是真懂还是嘴硬？

我自己最近给推理模型出了道“老玩家资格证”的题：同一条prompt问它几个跨平台老游戏的版本差异，比如《街头霸王2》SFC和MD手感差在哪、《梦幻之星》在MD和SS上到底改了什么，看它答得像不像真玩过。 DeepSeek有时候能说出点版本差异的方向，一追问细节就开始含糊；Claude更稳，先承认“版本确实有差别”，然后给个四平八稳的通用结论，安全但不过瘾。我怀疑这种考实机经验的问题，模型基本靠记忆里那些评测文本撑着，reasoning开满、思维链拉长，也不代表它真摸过手柄。 我现在的做法是加一句“只说你确定的，不确定就直说”，结果俩模型都变怂了，但至少不瞎编。你们测领域知识的时候，这个约束一般怎么写才不至于把模型吓住？