Gemini Advanced 中文算错复利题？先分清模型、语言与工具调用
有人试用 Gemini Advanced 后大呼失望，用一道「每年存 10 万、年利率 1.5%、多久存到 80 万」的题当作证据，模型却给出 3 年、8 年、12 年三种答案。本文先算出正确答案，再拆解三个真实原因：中文可能没走最强模型、语言模型不做算术、采样本身有随机性，并给出可复用的模型评测清单与取舍建议。
有人趁着 Gemini Advanced 的免费试用期上手体验，用下来觉得名不副实，于是发帖吐槽。评论区没有停在情绪层面，而是抛出一道具体的题当作证据：每年往银行存 10 万元，年利率 1.5%，最快多久账户总额能达到 80 万？同一道题，模型在不同轮次里给出了 3 年、8 年、12 年三种答案。
争论很快分成两派。一派认为模型基础能力不行，连简单的复利都算不对；另一派认为测法有问题——中文提问可能压根没走最强的那档模型，而且拿语言模型当计算器本来就不公平。这道题恰好把三个容易混淆的问题叠在了一起：模型档位、语言差异、工具能力。拆开看，比争论「垃圾不垃圾」有用得多。
先自己算一遍：正确答案确实是 8 年
按每年年末存入 10 万元、年利率 1.5% 复利计息，第 n 年末的余额是：
余额 = 100000 × ((1.015^n − 1) / 0.015)
| 年数 | 年末余额（万元） |
|---|---|
| 3 | 30.5 |
| 5 | 51.5 |
| 7 | 73.2 |
| 8 | 84.3 |
| 12 | 130.4 |
第八年末首次超过 80 万，所以「8 年」是对的；「3 年」错得很离谱（三年末才 30 万出头，明显是把问题当成了除法）；「12 年」则是高估。同一道题出现三种答案，说明的核心问题是输出稳定性，并不说明模型「完全不会」。
三种答案背后的三个原因
1. 中文提问可能没走最强的那档模型
回复里有人引用官方说明：面向最高档模型的优化主要针对英文，其他语言虽然能回答，但没有享受到同等的模型能力。这类策略调整很频繁，具体覆盖范围请以官方最新文档为准。
可操作的验证方式是做对照实验：同一道题、同一段上下文，中英文各问一遍，各跑三次，看正确率和措辞质量的差异。如果英文明显更稳，那问题就出在语言上，不在「这个产品行不行」。
2. 语言模型天生不做算术
大模型是逐 token 生成文本，并没有一个内置的计算器在背后执行运算。多位数乘除、复利、日期推算这类任务，它是在「回忆见过的相似题」，并非真正在「算」。所以让模型直接给出数字，本质上是碰运气。
稳妥的做法是让它调用工具（代码执行、计算器），并把过程写出来。可以直接用下面这类提示词：
先写出复利公式和代入的数值，然后用 Python 从 n=1 算到 n=15，
输出每年的年末余额表格；再根据表格回答「第几年首次超过 80 万」。
不要凭直觉给结论，必须引用表格里的数字。
要求「先给公式、再执行、最后引用结果」，能过滤掉大部分口算式幻觉。反过来说，用一道纯算术题去否定一个语言产品，样本选得并不合适。
3. 采样本身带随机性
同一提示词多次运行给出不同答案，是生成式模型的常态。单次结果只能当参考，评测时要么固定参数、多次采样取多数，要么把问题设计成有唯一可验证答案的形式并重复跑。看到两次不一致就下结论，容易误判。
想判断「值不值」，按这份清单测
与其问「它垃圾吗」，不如先定义清楚要它做什么。下面这张表可以直接照着自己跑一遍：
| 测试维度 | 怎么测 | 看什么 |
|---|---|---|
| 中文表达 | 给一段口语化的技术草稿，要求改写为正式文档 | 术语一致性、是否擅自加事实 |
| 知识问答 | 限定时间范围，问有明确答案的问题 | 是否坦承不知道 |
| 计算与逻辑 | 必须开启代码执行，要求展示过程 | 是否真的跑了代码 |
| 代码能力 | 给它一道题和现成的单元测试 | 一次通过率、报错后能否自修 |
| 多模态 | 丢一张含表格的截图，要求提取并计算 | 数字是否读错 |
| 长上下文 | 塞一篇长文，问第 N 节的细节 | 是否张冠李戴 |
再补三条纪律：每个用例至少重复 3 次；记录提问语言和是否开启工具；把测试日期和模型名称写进备注，因为模型迭代很快，两周前的结论可能已经过期。
各家模型的定位差异，别用单题定生死
评论区有一种比较有代表性的判断：这类产品的功能完成度不低，多模态、文档处理等外围能力甚至更顺手，但最基础的问答和推理停留在上一代水平，因此现阶段付费不太划算。也有人提醒，首日口碑往往偏负面，还需要再观察一段时间。
这两种看法并不矛盾，只是用途不同：
- 当作主力生产力工具：优先看稳定性和失败率，选你已经验证过、出错时你能立刻发现的那一个。
- 尝鲜、多模态、长文档处理：可以并行试，成本低，坏处是结果需要复核。
- 涉及数字、金额、日期：无论哪家，都要求它调用工具并展示中间结果，最后自己再验一遍。
试用期结束前怎么决策
- 拿一周真实工作流跑一遍，不要用准备好的演示题。
- 记录失败次数和失败类型（算错、编造、答非所问），而不是记录主观印象。
- 把「必须它来做」和「用别的也行」的任务分开，前者才决定要不要续费。
- 订阅、试用、退款规则以官方页面当前说明为准，促销条款变动频繁。
几个容易踩的坑
- 用单一语言的结果代表模型上限：先做中英对照，再评价。
- 关掉工具测数学：这类题目本来就不该由语言模型直接口算。
- 只测一次：一次错和一直错，是两件完全不同的事。
- 混淆免费版和付费版：不同入口、不同档位能力不同，测之前确认自己用的是哪个。
- 为了用上服务去买账号、共享账号或伪造地区：这类做法违反服务条款，存在封号、付款纠纷、数据被他人可见等风险，出问题也没有正常申诉渠道。合规的替代路径是使用官方支持地区的账号与支付方式、走官方 API 做评测，或用可本地部署的开源模型做对照。
- 长时间挂机跑批量评测：脚本跑到一半遇到本机休眠或断网就会中断，需要一台长期在线的机器。如果只是偶尔测几题不必折腾；确实要长期跑批，远程 Mac（整机放在机房、按月租用、远程连接）是可选方案之一，网络环境相对稳定，也适合长期在线运行 AI 编程工具，但并不是评测的必需品。
小结
那道复利题的正确答案是 8 年，模型给出 3 年和 12 年，说明的是稳定性不足和缺少工具调用，而不是「连小学算术都不会」。评价一个 AI 产品，至少要控制三个变量：提问语言、是否开启代码执行、是否重复采样。把这三件事做对之后，你对它的判断会具体得多——不是「垃圾」或「神器」，而是「中文表达可用、数字必须复核、多模态不错」，这样的结论才真正指导你掏不掏钱。
