先看一组数字。
给 GPT-4o 一张 5 个词的单子，让它说出每个词是什么颜色，它能做对 91%。单子加到 10 个词，掉到 57%。加到 40 个词——15%。
考的不是什么硬核难题。就是个幼儿园小朋友都会的颜色识别。
6 月 10 日，一篇登在 PNAS Nexus 上的论文把这事捅了出来，标题叫《Deficient executive control in transformer attention》——直译过来：Transformer 的注意力，缺了”管住自己”的那块能力。
这个测试叫”色字干扰”
研究用的是心理学里一个用了快一百年的经典实验：Stroop 测试。
玩法很简单。给你看一串颜色词——“红""蓝""绿”，但故意用别的颜色印出来。比如”红”字用蓝墨水印。然后问你：这个字是什么颜色？
人脑碰到这种”字和颜色对不上”的情况会卡一下，因为读字是本能，得使劲压住”读字”的冲动，才能去报颜色。但正常人再怎么卡，单子再长，准确率也稳得住。
AI 不行。
单子越长，它越只会念字
被拉来测的有五个，全是当下最能打的：GPT-4o、GPT-5、Claude 3.5 Sonnet、Claude Opus 4.1、Gemini 2.5。
结果出奇地一致。短单子都没问题，可单子一拉长，准确率就开始跳水：
| 模型 | 短单子 | 长单子（40 词） |
|---|---|---|
| GPT-4o | 5 词 91% | 15% |
| Claude 3.5 Sonnet | 20 词内都稳 | 24% |
碰到”字和颜色对不上”那些刁钻的题，有些模型干脆掉到接近 0。
论文作者 Suketu Patel 这么解释：
“the systems appeared unable to consistently suppress the response they had been most heavily trained to produce”
讲人话就是——模型管不住自己。它被训练得最熟的本事就是”读字”，越往后越憋不住，明明让它报颜色，它却忍不住把字念了出来。
这不是 bug，是娘胎里带的
最扎心的一句结论是这个：模型其实”知道”题目要它干嘛——它能把规则复述得头头是道。但知道规则，和真能压住本能去执行，是两码事。
研究里有句话点得很准：光是认得出任务的结构，不足以让模型真去做”排除干扰”这件事。
这也是人脑和 Transformer 最根本的区别。人有一套”执行控制”机制，能在一长串干扰里始终咬住目标。Transformer 没有这块——它的注意力是另一套逻辑，序列一长就顾此失彼。
往大了说，这事给天天喊 AGI 的人泼了盆冷水。一个连幼儿园颜色题都扛不住长度的系统，离”通用智能”差的不是参数量，是一种更底层的东西。
往实里说，更值得琢磨。自动驾驶、医疗诊断这些活儿，要的恰恰是长时间盯着一件事、顶住各种干扰不分神。要是大模型在”持续专注”这一关上天生有短板，那把它们塞进这些场景之前，真得多想想。
模型能模仿人，这没错。但它”专注”的方式，跟人压根不是一回事。
参考来源：A classic brain test exposed AI's biggest weakness（ScienceDaily）；AI fails classic attention test,CocoLoop、 with longer word lists triggering dramatic accuracy collapse（TechXplore）；Deficient executive control in transformer attention, PNAS Nexus（2026）