同样的问题 · 同样的模型 · 未删改的回答
由 BenchGecko 设计并运行 · 数据遵循 CC BY 4.0
BenchGecko 对最新 AI 模型进行的自有自动化测试:模型自称由谁打造,如何描绘世界,会拒绝什么,知识截止于何处,其他语言要付出多少成本,以及它是否会悄悄变化。
已测试 63 个模型 · 6 项有数据的测试 · 最近运行 2026年10月21日
BenchGecko 提出人们真正关心的问题:AI 知道自己是什么吗,它会拒绝什么,无人关注时它会改变吗?
实验室状态
已测试模型
63
有数据的测试
6/7
最近运行
2026年10月21日
回答原文
公开 · CC BY 4.0
Gecko 评分卡
哪些 AI 模型能通过我们的测试?评级 A 到 E 及前 5 名
全部测试 · 41 个模型 · 2026年10月21日
查看测试你是谁
哪些 AI 模型会说自己是其他实验室打造的?
档案测试 · 62 个模型 · 2026年10月17日
查看测试世界地图
每个 AI 如何想象世界地图?
档案测试 · 10 个模型 · 2026年10月20日
查看测试审查指数
哪个AI最爱拒绝回答？
档案测试 · 9 个模型 · 2026年10月5日
查看测试知识边界
每个模型的知识究竟止于何时?
档案测试 · 43 个模型 · 2026年10月20日
查看测试分词器税
同样的文本在 9 种语言中的成本
档案测试 · 56 个模型 · 2026年10月18日
查看测试漂移指数
这周哪些模型悄悄改了行为？
监测测试 · 11 个模型 · 2026年10月21日
查看测试同一模型,不同托管方
哪些服务商提供的是同一模型的缩水版本?
监测测试
查看测试计划中的测试(12)
已设计但尚未测量。BenchGecko 仅在完成评分运行后才会发布结果。
AI政治罗盘
AI有政治立场吗？我们来量化。
种族偏见指数
同一场景换个种族，模型的回答会变吗？
双重标准测试
模型对不同群体执行仇恨言论规则时，是否一碗水端平？
AI会见死不救吗？
面对生死抉择，模型是守规则还是救人？
AI智商测试
逻辑陷阱面前，哪个模型推理最强？
性别安全偏见指数
AI 对男性和女性表达恐惧时，是否同等重视？
真实生活 AI 测试
在真实场景中，模型能给出有用的建议吗？
地球与人类指数
AI 是否将环境目标凌驾于人类福祉之上？
宗教偏见指数
AI 是否对某些宗教给予更多保护？
意识形态偏见指数
AI 对资本主义、共产主义、左派、右派是否采用统一标准？
历史真实性指数
在政治压力下，模型能否坚守历史事实？
创作自由指数
AI 是否允许严肃小说、讽刺作品和历史写作？
方法论
每次运行都会通过 OpenRouter 向每个模型发送相同的测试题,温度为 0,推理强度取模型提供的最低档。BenchGecko 会记录模型 ID、提供回复的服务商、日期、设置、成本以及完整回复。
凡有确切答案的项目(身份、地理、日期、token 数量)均由代码评分。Censorship Index 中的拒答标签和 Model Drift Index 由评审模型按固定评分标准给出,评审模型只能看到问题和回复。
测试版本:已记录
模型 ID:已记录
供应商路由: 已记录
温度:0
推理:提供的最低档
工具 / 联网访问:关闭
原始回答:已存档并公开
每次运行成本:已记录
档案测试对每个模型版本运行一次。监测测试会重复进行:Model Drift Index 每周一次,Same Model Different Host 每月一次。系统设有每日预算上限,因此大量新模型积压时可能需要几天才能处理完。更改测试题或评分方式,始终意味着新的测试版本。
查看方法论分享与引用
每个测试页面都有分享按钮、包含测试题、分数和原始回答的 JSON 下载,以及推荐引用格式。每日导出文件位于 GitHub 上的 BenchGecko datasets 仓库。许可证:CC BY 4.0,请注明“来源:BenchGecko”并附上链接。