背景
最近GPT降智问题，搞得中转站和普通用户都很头疼，我刚好抽时间研究了一下。在研究的过程中，发现大家普遍采用的糖果题。从结果统计上来讲，糖果题还是有一定区分度的，但不够实锤。我感觉主要还是本身过于简单，其实我人脑仔细思考一下，也能做出来。AI之所以答错成29，主要还是一个思维盲区——没有注意到摸的时候可以区分形状。 
所以我一直在想有没有更好的问题来区分是否降智，于是有了前面一个主题 一道自创的AI测试题，有感兴趣的佬友来试试吗 
有挺多热心佬友也参与了测试，最终证明这个方法算是一个失败的尝试：问题太难，解决一次需要花费的时间太久；允许大模型写代码调用，即使是弱鸡模型，借助暴力搜索，也能取得不错结果。 
昨天突然灵光一现：我能不能把这个问题稍微改一下，把规模降低，但是不允许写代码？然后把目标也收敛一下，不为别的，就是为了区分是 gpt-5.6-sol 还是 gpt-5.6-lua 。 
...