实测：大模型会算命吗？我盲测了 480 次

用「全球算命师大赛」四年的 160 道真题，做了一场三方盲测。谁赢了？其实谁都没赢。

先说结论

用「全球算命师大赛」四年的 160 道真题（四选一，答案是当事人真实经历、官方核对过），做了一场三方盲测。三位「考生」其实都是大模型：DeepSeek、Gemini，以及挂了一套专用八字规则库的 Claude（下称 ai-bazi，是我自己用 Claude 搞的 AI 算命模型，灌了 300 万文字资料以及上千个命盘）。

成绩：DeepSeek 35.0% / Gemini 40.6% / ai-bazi 40.6%。随机瞎猜的期望是 25%。换更强的大模型、甚至专门给它挂上一套断命规则脚手架，都没有突破 ~40%。

真正的天花板 ≈ 40%，是八字盘面对「精确年份＋具体生平」类问题的信息上限，不是模型的能力上限。八字在关系 / 性格 / 家庭等结构判断上有微弱但真实的信号；在精确应期、财运、外貌上，基本是抛硬币。

一、为什么做这个

算命大赛的题很特别：每题给一个人的公历生辰，四个选项是这人真实发生过的事（出身、婚姻、哪年离婚、得过什么病、做什么职业……），标准答案由比赛官方核对。这天然是一个可打分的 benchmark。于是问题来了：今天最强的 AI，做这些题能考几分？

二、方法（防杠重点，请先看完再喷）

数据集：公开测试集 MingLi-Bench，取 2022–2025 四届，共 160 题、32 个真人命盘，四选一、精确匹配计分。三位考生全是 LLM：DeepSeek、Gemini，以及 ai-bazi。

ai-bazi 到底是什么（重要）：它不是一个「if-else 死程序」。它分两层——① 排盘（四柱＋大运）由一个确定性程序完成（天文节气算法，给同样生辰永远同样输出）；② 断命 / 答题由 Claude 依据一套成文的八字规则参考（格局、六亲、病灾、取象、应期五份文档）逐题推理作答。所以 ai-bazi ≈ 确定性排盘＋带专用规则库的大模型，本质是「第三个大模型，多了个领域脚手架」。

统一排盘：三方拿到的都是同一批预排好的命盘，口径一致（晚子时按「子初换日」、立春定年，与题库参考盘交叉核对，32 盘中 30 盘四柱完全一致）。这样测的是断命推理，不是排盘能力——排错盘不背锅。

盲测：标准答案封存，先作答、后对分，本地精确匹配。随机瞎猜期望 = 25%。

三、总成绩

图1 · 四年 160 题总成绩

三家都比瞎猜高，但都远谈不上「神算」。最值得玩味的是：给一个模型专门挂上八字断命规则库（ai-bazi），四年总分也只是和 Gemini 打平——领域脚手架并没有换来质变。

四、别信任何单次成绩

图2 · 三方逐年正确率（合计：DeepSeek 35.0% / Gemini 40.6% / ai-bazi 40.6%）

只看某一年，你能得出完全相反的结论：Gemini 在 2024 只有 32.5%，2025 却飙到 52.5%；DeepSeek 从 40% 掉到 27.5%。40 道题的单卷波动能到 ±20 分。所以任何「某模型更会算命」的单次截图，基本是抽样噪声——只有 160 题合计才是可信信号。

五、谁强谁弱？其实是「抽签」

图3 · 各题型正确率对比（运势 / 官非 / 外貌三类三方合计 ≈0）

健康题 DeepSeek 最高、另两家接近全灭；家庭题反过来。同一类题换个模型各中各的，这本身说明这些题对谁都没有稳定信号。

六、真正的天花板：有些题，谁都算不出

160 道里，50 道三方同时答错，只有 16 道三方同时答对，「至少一方对」能到 110/160（69%）。那 50 道不是 AI 笨，而是盘面里根本没有那个信息：「哪一年出车祸」「长什么样」「这一年具体发生了什么」，八字结构给不出。运势、官非、外貌三类，三方合计正确率是 0。

七、预答几个必然会被抬的杠

八、结论

三个大模型（其中一个还挂了专用八字规则库），四年真题、480 份盲测，共同指向同一件事：八字对「精确年份＋具体生平」这类问题的信息上限，大约就在 40%。这是方法的天花板，不是模型的天花板。

再聪明的 AI、再专的规则脚手架，也变不出盘里没有的信息。它在关系、性格、家庭这类结构性判断上有一点微弱但真实的信号；在精确应期、财运、外貌上，基本是抛硬币。

九、一点希望

在婚姻与家庭方面，我用了 2100 个案例反复回测、精炼逻辑，因此 ai-bazi 的正确率比 Gemini / DeepSeek 要高。如果在其它方面也花同样的时间，也许还能有显著提高。