## LLM 与常识：洗车困境 最近在 Hacker News 上的讨论强调了大型语言模型 (LLM) 的一个有趣缺陷——回答一个看似简单的问题：走 50 米还是开车去洗车？许多模型，包括 OpenAI 的 GPT 5.2，最初建议*步行*，似乎假定汽车*已经在*洗车场。 然而，澄清提示词（“我的车在家……”）通常可以纠正答案。其他模型，如 Gemini 3、Claude Opus 和 Grok，通常一开始就能正确回答，认识到需要*开车*去洗车。 这场辩论表明，LLM 在“常识”推理方面存在困难，需要明确的上下文。一些人认为这源于缺乏“对现实世界的理解”，或者由于训练数据而倾向于谨慎、不明确的回答。另一些人则指出，模型依赖于模式识别而不是真正的思考，以及强化学习来自人类反馈 (RLHF) 可能会抑制强烈的观点。 最终，这次交流强调了仔细提示的重要性，并凸显了当前 LLM 的局限性，即使是最先进的 LLM，在面临需要基本情境感知能力的任务时也是如此。