ChatGPT-5.5、Gemini 3与Copilot 2026化学课程答题表现对比

伊朗比尔詹德医科大学的一项最新研究，对当前主流大语言模型在化学课程测试中的表现进行了横向评测。研究团队选取了一份包含50道选择题的问卷，内容以波斯语为主，夹杂少量英文术语和化学公式，分别测试了ChatGPT-5.5、Gemini 3和Copilot 2026三款模型。结果显示，三款模型的平均灵敏度为0.81，特异度为0.29，准确率为0.68。其中Gemini 3表现最好，灵敏度、特异度和准确率分别达到0.85、0.56和0.80；ChatGPT-5.5灵敏度最低，仅为0.76；Copilot的特异度只有0.07，准确率0.62，在三者中垫底。 这项研究值得关注的不仅是排名本身，更在于它暴露出的一个共性问题：所有模型在需要识别错误选项的否定式题目上表现都很差。换句话说，当题目要求选出不正确的答案时，模型们集体失灵。研究还发现，模型表现与问卷特征之间没有显著相关性，说明这种失误并非由题目难度或语言差异单独造成，而更可能与模型对否定逻辑的处理能力有关。对于把AI工具用于教育、培训或知识问答场景的从业者来说，这意味着直接让模型处理考试类、测评类任务时，仍需人工复核，尤其是在涉及反向判断的环节。研究团队也强调，这只是初步结论，后续还需要更大规模的验证。