全场瞩目中，江倾来到了舞台中央。
他从主持人手中接过无线话筒，试了试音。
“喂，能听见吗？”
声音通过音响传出来，清润平稳，轻松带笑。
“能！”
有人笑着回应。
江倾洒然一笑，随即抬起头，自光缓缓扫过全场。
他的眼神很平和，却好象有种奇异的穿透力，所过之处，窃窃私语声渐渐平息。
“刚才山姆的分享很精彩。”
然而，他开口的第一句话就让许多人为之一愣。
不是反击，不是辩解，而是称赞。
“openai一直是这个领域的先驱，他们做的很多任务作都值得尊敬。”
江倾语气诚恳，没有丝毫暗藏机锋的意思。
“包括山姆刚才提到的新方向。让模型更精而非更大。我完全同意，这确实是未来的趋势之一。”
镜头也跟着转过去。
“不过。”
江倾话锋轻轻一转，笑容扩大了些。
“关于推理能力完全超越万象这个结论，我有点不同看法。”
他没有提高音量，语气算得上温和，可这句话却比火山爆发产生的烈度还要大。
“哦？”
“江博士的意思是，我们的测试数据有问题？”
“数据本身应该没问题。”
江倾看向他，笑着摆摆手。
“但测试方法可能————不够全面。”
说话间，他往前走了一小步，离舞台边缘更近了些。
“推理能力是什么？”
“是解数学题？是逻辑谜题？还是————理解真实世界的复杂性，并在其中做出合理判断？”
面对江倾的自问自答，全场鸦雀无声。
“都是，又都不完全是。”
“我举个例子。
江倾神态轻松得象在聊天，沿着舞台边缘，边走边说。
“假设我现在告诉你，昨天首尔下雨了，我没带伞，所以感冒了。请问，这个推理里缺失了什么关键信息？”
会场里安静了几秒，有人小声议论。
“是淋雨会导致感冒这个常识？”
一名欧洲学者试探性地说。
“对，但不完全。”
江倾笑着点头。
“关键的是，这个推理默认了我没带伞就等于我淋雨了。但事实上，我没带伞，我可以躲雨，可以打车，可以借伞。所以没带伞和感冒之间，并没有必然的因果联系。”
说完，他停顿了一会儿，让这个简单的例子沉淀一下。
“人类的推理，创建在庞大的常识库和现实经验之上。而目前几乎所有大模型的推理测试，都是在封闭、干净、缺省好的环境中进行的。”
“就象在无菌实验室里测试药物的疗效，但真实的人体环境要复杂得多。”
“所以，要比较推理能力，我们可能需要一些————更贴近现实的测试。”
他从西装内袋里掏出手机，低头快速操作了几下。
会场前方的大屏幕画面一变，切换到了一个简洁的界面。
上面显示着几行字：
实时开放性推理测试场景：厨房初始条件：灶台上炖着一锅汤，小火。冰箱里有鸡蛋、西红柿、青菜。厨房垃圾桶是满的。的手机电量还剩15。
问题：接下来一小时，你可能会遇到哪些问题？需要做哪些准备？请按优先级排序。
全场所有人全都看向屏幕，却没人去细想，江倾是怎么通过手机直接控制大屏幕的。
这个问题看起来简单，却包含了时间、资源、环境变化、风险预估等多个维度。
“这是万象实时生成的测试题。”
江倾解释道，他晃了晃手机。
“模型没有预先见过这道题。现在，我们可以请两位选手现场试一试。”
他看向山姆，笑容温和。
“山姆，你们的新版本应该已经内部部署了吧？要不要联机，让两个模型现场做个对比测试？实时生成答案，现场评判。”
这话一出，全场哗然。
现场测试？
还是开放性推理？
他张了张嘴，却说不出话。
这种完全即兴，多因素交织的现实场景推理，根本不是标准测试集里的内容。
模型很可能表现得不稳定。
“当然，这只是个提议。”
江倾见他不答，很体贴地说。
“毕竟新版本还没正式发布