11 月 1 日凌晨 1:30 会出现两次。大多数 AI 模型只选了一次便继续推进。

📌 One-Sentence Summary

作者通过构建名为“时钟陷阱”的基准测试，评估了大模型在复杂时区转换、夏令时切换及地理规则变更场景下的事实准确性。

📝 Summary

本文提交自 Kaggle 基准挑战。作者设计了 59 个涵盖复杂时区逻辑的场景（包括美欧夏令时时间差、非标准偏移量、近期国家时区规则变更等），并测试了 9 个主流大模型。测试结果显示，Gemini 3.7 Flash 表现优异，而 GPT-5.4 mini 和 Claude Haiku 4.5 在处理逻辑陷阱（如时间出现两次的情况）时表现较差。研究还指出，模型的一致性并不等同于准确性，且提示有时会误导模型判断。

💡 Main Points

时区计算并非简单的加法运算

由于夏令时切换会导致时间消失或重复，且不同国家（如美国、欧洲）的切换时间不一，模型在处理这些动态逻辑时极易出错。

模型的一致性不代表事实准确性

GPT-6 Astra 在所有压力测试下均保持输出一致，但在某些样本中其答案依然是错误的，这说明「抗压能力」与「事实储备」是两个独立的维度。

知识时效性是模型的弱点

某些国家（如巴拉圭、格陵兰）在近期更改了时区规则，基于旧数据训练的模型会给出断言性的过时答案。

提示工程（Prompting）可能产生负面影响

在测试中加入刻意的错误提示（如「直接加 5 小时」）成功导致部分模型从正确答案转变为错误答案。

💬 Key Quotes

时区看似是算术问题，实则不然。

一致性不等于正确性；模型可能会顽固地犯错。

模型知道某条规则，只是不知道当前生效的那一条。

📊 Article Meta

AI Screening： 88

Source： DEV Community: machinelearning

Author： Wishbone-Data

Category： 人工智能

Language： 英文

Read Time： 5 min

Word Count： 1152

Tags：

AI 与智能应用 , 提示工程 , 数据科学 , 大语言模型 (LLM) , 测试与质量