我用2万条真人AI海龟汤游戏数据，评估大模型推理能力哪家强

最近半个月，我一直在秘密做的一个东西，今天终于公之于众了！

这是一个诡异的脑洞：能否用AI游戏来评测大模型的推理能力？为此，我标注了2万条数据，在GPT-4o, Claude,月之暗面,豆包, DeepSeek, MiniMax, 通义千问等11个模型上进行了评测，最终有了答案，文章最后有结果👀