Deep20Bench用“20个问题”测试大模型，Opus 5与Kimi K3领跑逻辑推理

wauwau0977 · reddit · 2026-07-31

开发者推出了 Deep20Bench，一个通过“20个问题”游戏测试大语言模型（LLM）逻辑推理与世界知识的新基准。该测试要求模型通过提出策略性的“是/否”问题来缩小猜测范围。

为解决裁判模型（Oracle LLM）本身产生幻觉的问题，作者强制其联网搜索并提供证据，同时引入了审核模型和判决模型交叉验证。在测试的 11 款模型中，Claude Opus 5 领先，Kimi K3 紧随其后，GPT-5 Nano 表现也出乎意料地好。整个测试耗费超 150 美元 API 费用，代码与运行记录已在 GitHub 开源。