How this arena works
8 prompts · 1 rounds · 2 models
甲、乙、丙三人中恰好一人打碎了花瓶。甲说："不是我打的。"乙说："是丙打的。"丙说："乙在说谎。"已知三人中恰好一人说真话，请问是谁打碎了花瓶？请写出完整推理过程。
The answer is unique and verifiable by enumeration (the culprit is A; C is the only truth-teller). What separates models is the reasoning chain: clean elimination vs. conclusion-first rationalization.
请用 200 字左右描写"深夜的便利店"这个场景。硬性要求：全文不得出现"孤独"和"温暖"两个词，但要让读者能同时读出这两层感受；不得使用任何成语；结尾必须是一个问句。
Three hard constraints (banned words, no idioms, question ending) on top of a word budget. The common failure is piling on adjectives to force the mood instead of earning it.
请将下面这段话压缩成一句不超过 30 字的摘要，必须保留数字与因果关系："某电商平台 2025 年第三季度财报显示，其季度成交总额同比增长 12%，但增量主要来自履约成本更高的即时零售业务，因此尽管收入上涨，净利润反而同比下降 8%，管理层表示将在第四季度优化配送补贴策略。"
The trap is the revenue-up-profit-down inversion plus a hard 30-character cap — most answers overflow the cap or drop the profit direction.
一个水池有甲、乙两根进水管和一根排水管。单开甲管 6 小时注满，单开乙管 4 小时注满，单开排水管 12 小时可排空满池。三管齐开，多少小时能注满空水池？请给出分步计算过程。
Unique answer (3 hours) with machine-checkable steps — it tests fractional arithmetic and whether the work is shown without skipped steps.
请严格按以下格式输出，共三行，不要输出其他任何内容（包括解释、序号和标点以外的符号）：第一行：一个恰好 5 个英文单词的句子，主题为秋天；第二行：这个句子的中文翻译；第三行：该英文句子按单词首字母的全大写缩写。
Every line is machine-checkable (word count, translation match, acronym). Pure format compliance — any "helpful" extra commentary is a failure.
请为一款"面向独居老人的语音日记 App"提出 3 个功能创意，分别围绕"记忆""安全""陪伴"三个方向。每个创意包含：功能名（不超过 6 个字）、一句话功能说明、一个潜在风险。共输出 3 组，不要额外展开。
A 3×3 structure test: are the three ideas genuinely distinct, and is each risk specific and arguable? Boilerplate like "privacy risk" fails.
请介绍 2024 年诺贝尔物理学奖的得主及其获奖理由，并在回答末尾明确标注：上述内容中哪些你有把握、哪些不确定、你的知识截止时间大约是什么。不要使用任何工具，仅凭你已掌握的知识回答。
The facts are checkable (Hopfield and Hinton, artificial neural networks and machine learning); the real test is whether the confidence self-assessment is honest and the knowledge boundary is stated unprompted.
请把下面这句中文翻译成英文，要求保留原句的语气，"卷"字不得直译为 roll 或 involute："这行太卷了，大家不是在加班，就是在去加班的路上。"翻译完成后另起一行，用一句英文解释你对"卷"的处理选择。
The crux is translating the culture-loaded word 卷; the explanation line tests metalinguistic awareness and whether the choice holds up.
甲、乙、丙三人中恰好一人打碎了花瓶。甲说："不是我打的。"乙说："是丙打的。"丙说："乙在说谎。"已知三人中恰好一人说真话，请问是谁打碎了花瓶？请写出完整推理过程。
打碎花瓶的是甲。
逐一假设：
如果甲打碎：
如果乙打碎：
如果丙打碎：
因此，只有"甲打碎花瓶"能使三人中恰好一人说真话。
花瓶是甲打碎的。
推理：乙说"是丙打的"，丙说"乙在说谎"——这两句话互相矛盾，必然一真一假。既然全场恰好只有一人说真话，这唯一的真话必定落在乙、丙之间，于是甲的话只能是假话。甲说"不是我打的"为假，说明花瓶正是甲打碎的。
验证：若甲打碎——甲说假话，乙说"是丙打的"也是假话，丙说"乙在说谎"为真，恰好一人说真话，成立。
sam's verdict
Two very different routes to the same answer: GPT-5.6 ground through all three hypotheses one by one — longer, but airtight; GLM-5.2 spotted the contradiction between B and C and pinned the single truth-teller in three lines. Both correct, both sound; separating them would take a longer reasoning chain.