拿老游戏冷知识当题库测模型，它错在哪儿比分数好看

先说结论：测模型别光看总对几道，得看它错在哪类题上，跟当年挑游戏不能只看封面截图一个道理。 我自己把攒了多年的老游戏冷知识拆成问答题——年代、机型、移植差异、隐藏要素——分别丢给 deepseek 和 claude。需要一步步推的题，带思维链的那类答得确实稳；可越是“一眼就该知道”的题，这俩越爱绕，非要补一堆听着合理、其实没发生过的细节。claude 错得像把两款游戏揉一起了，deepseek 错得像把冷知识全当真了。所以我现在把题分三档：简单题看它敢不敢直答，中档看推理链，难档看它会不会老实说不知道。 顺带一提，昨晚翻箱倒柜找出一张记不清年代的卡带，愣是没敢拿去问模型，怕它顺手给我编个发售日。有没有人也拿老游戏当题库的？