ARTICLE · 1120695
算法题全对、写软件翻车:选 AI 模型,别只看它「聪明」
算法题全对、写软件翻车:选 AI 模型,别只看它「聪明」有个做技术评测的博主，最近做了件挺较真的事。 他拿了三个顶级的 AI 模型，出了几道题，想看看谁更厉害。结果出来之后，他自己都愣住了。 其中一个模型，数学题两道全对，还都是一次就做出来，碾压另外两个。可一到"写软件"的题，它却翻车了——一个思维导图网页，做了半天连界面都没跑出来；一个让程序自己玩游戏的小程序，它写出来的代码要么上来就撞，要么直接冲上天。 这个结果，跟"聪明 = 能干"的直觉，完全对不上。 今天这篇文章，我想借这场评测，跟你聊一个被很多人忽略的真相："聪明"和"能干"，是两码事。 这个道理，不只适用于选 AI 模型，更适用于你招人、带团队、做决策的每一个场景。 会做难题的人，未必会干活 先看这个反直觉的结果是怎么来的。 评测分两类题：算法题（本质是数学题，考验推理能力）和工程题（写一个软件、写一个游戏，考验的是对编程语言、各种第三方库的熟悉程度）。 那个"数学全对"的模型，叫 o4-mini-high，是 OpenAI 出的推理模型，思考能力极强。数学题它确实强，两道 LeetCode 困难题，一次通过。 但一写软件，它露馅了。 它给你写的代码，依赖库的版本号是错的；它让你用 CDN 引一个 CSS，那个地址是它"记错"的、根本打不开；你让它改，它越改越糟，最后连程序都跑不起来。 而另一个数学题一道都没做出来的模型，写软件却一次就跑通，界面还做得挺漂亮。 你发现没有，这里藏着一条特别朴素、却被"榜单分数"长期掩盖的规律： 做难题，考的是"智商"；做工程，考的是"经验"。 一个是能不能在抽象世界里推演，一个是能不能在真实世界里把一堆乱七八糟的依赖、版本、报错，一个个理顺。这俩，压根不是同一种能力。 选 AI，别被"榜单"骗了 这两年，AI 圈有个风气：动不动就甩一张"跑分榜单"，这个模型数学多少分、那个模型编程多少分，然后得出结论"谁更强"。 但这场评测，恰好给了这种风气一记耳光。 数学榜第一的模型，工程题翻车；数学垫底的模型，工程题反而最稳。如果光看数学榜单，你大概率会选错。 这背后的问题，是很多人在选 AI 工具时都容易踩的一个坑：把"跑分高"当成了"适合我"。 可你的实际工作，是解奥数题吗？大概率不是。你更多是在写业务代码、调第三方接口、处理各种版本冲突和报错。而"跑分"跑出来的，恰恰是离你日常工作最远的那种能力。 所以，选 AI 模型，真正该问的问题从来不是"它厉不厉害"，而是： 我每天要干的活，它到底干得怎么样？ 这个道理，换个场景，你就更熟悉了。 你招的人，是不是也在被"榜单"筛选 想象一下你招程序员。 一份简历写着"ACM 竞赛金牌"，另一份写着"独立做过三个上线项目"。你更想要哪个？ 如果你的答案是"那要看岗位"——恭喜你，你已经懂了。因为"竞赛金牌"考的是算法智商，"做过上线项目"考的是工程落地能力。你要招一个做业务的工程师，后者往往更靠谱；你要招一个做底层算法的研究员，前者才更合适。 但现实中，很多老板招人，恰恰被"竞赛金牌""名校光环"这类"榜单"吸引，而忽略了岗位真正需要的能力。结果人进来了，干不了活，还贵。 这跟选 AI 模型，犯的是同一个错：把"聪明"当成了"能干"，把"光环"当成了"匹配"。 别问"谁更强"，问"谁最合适" 回到开头那场评测，我觉得比任何榜单都实在： 你的工作需要大量数学和推理，选那个推理更强的； 你的工作涉及大量工程代码、外部依赖，选那个工程更稳的； 你要是还想要性价比，选那个综合够用、还免费的。 你看，没有"谁更强"的绝对答案，只有"谁最合适"的场景答案。 这个思路，是 AI 时代最该刻进脑子里的一个认知。因为工具会一直出新的，榜单会一直刷新，你今天追的这个"更强"，明天就会被另一个"更强"取代。但"先想清楚我要干什么，再选工具"这个动作，永远不会过时。 所以，下次你再看 AI 评测、看模型跑分、甚至看招聘简历，别急着问"谁更强"。先问一句： 我要解决的，到底是什么问题？ 想清楚这个问题，"选谁"的答案，往往自己就浮出来了。 而一个人真正拉开差距的，往往也不是他多聪明，而是他有没有这份"看场景、做匹配"的判断力。