这可能是我见过最离谱的AI退化案例：一个号称对标GPT-4的模型，连Python最基础的字典推导式都搞不定了。更诡异的是，它输出的是列表格式，还莫名其妙地加了两个数字。
一道小学生级别的题目，为何让文心破防？
先看看这道让文心一言4.0彻底翻车的题目：要求用字典推导式创建一个简单的平方映射字典。这是Python编程的入门知识，任何学了一周Python的新手都能秒答。正确答案应该是 {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}。
但文心4.0给出的答案让人大跌眼镜：
[(0, 0), (1, 1), (2, 4), (3, 9), (4, 16)]
99 25
5
这个回答暴露了三个致命问题：第一，它输出了列表而非字典；第二，莫名其妙出现了"99 25"两个数字；第三，最后还有一个孤零零的"5"。这不是简单的格式错误，而是模型对Python基础数据结构的认知出现了根本性混乱。
稳定性暴跌3.7分：这不是偶然事件
更让人担忧的是稳定性评分从41.7暴跌至38.0，跌幅高达8.9%。在AI评测体系中，稳定性低于40分意味着模型已经进入"危险区间"——你永远不知道下一次它会给出什么离谱答案。
有意思的是，文心4.0的编程总分仅下降2.3分（从84.7到82.4），这说明它在其他编程题目上表现尚可。但恰恰是这种"选择性失忆"最可怕——一个在复杂算法题上能拿高分的模型，却在最基础的语法题上全军覆没，这种不可预测性对实际应用来说是灾难性的。
技术分析：为什么会出现"99 25 5"？
作为一个跟踪AI模型多年的分析师，我推测这个诡异输出背后可能有三种原因：
1. 训练数据污染：模型可能在某个特定的代码片段中见过类似的数字组合，导致在生成时产生了错误的关联。"99 25"可能来自某个涉及平方计算的代码示例。
—— 赢政天下精选全球AI评测资讯 ——
2. 注意力机制失效：字典推导式需要模型准确理解花括号的语义。当注意力权重分配出现问题时，模型可能混淆了列表和字典的表示方法。
3. 微调过度导致的能力退化：百度可能在针对某些特定任务进行微调时，意外损害了模型对基础概念的理解能力。这是大模型开发中的常见陷阱。
这次事故的深层含义
表面上看，这只是一道编程题的失误。但深入分析，它反映了国产大模型的一个普遍困境：过度追求benchmark分数，却忽视了基础能力的稳定性。
文心一言4.0在知识工作维度还略有提升（+1.3分），性价比依然高达99.1分，这说明百度在优化模型时可能采用了"抓大放小"的策略。但问题是，对于一个声称要成为"基础设施"的AI模型来说，任何基础能力的崩塌都是不可接受的。
更讽刺的是，这个错误发生在百度最应该擅长的领域。作为中国最大的搜索引擎公司，百度积累了海量的代码数据，理应在编程任务上有天然优势。但现实却给了我们一记响亮的耳光。
对行业的警示
这次事故给整个AI行业敲响了警钟：
- 基础测试不可忽视：再先进的模型也要通过最基础的测试，否则就是建在沙滩上的城堡
- 稳定性比峰值性能更重要：用户需要的是可预测、可信赖的AI，而不是时好时坏的"薛定谔的模型"
- 透明的退化监测机制：模型能力可能会随着更新而退化，需要建立完善的监测体系
一个连字典都认不清的AI，我们凭什么相信它能理解这个世界？这不仅是文心一言的问题，更是整个行业需要深思的问题。当我们在讨论AGI、讨论超越人类的时候，是不是应该先确保AI能稳定地完成一年级的作业？
数据来源：赢政指数 (YZ Index) | Run #33 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 本文编译自第三方评测机构，赢政天下保留编译版本版权。