我把同一份旅行需求原封不动发给了三个模型。曼谷七天两大一小预算两万要亲子友好酒店必须有泳池中间留一天自由活动。就这么一句话我想知道三件事谁的行程像人过的谁的酒店信息靠谱谁会在关键时刻掉链子。这三个问题里我最在意的其实是第三个。前两个答得好顶多算聪明第三个答得好才叫可靠。旅行是个容错率很低的场景陌生的城市孩子的状态说变就变的天气任何一个环节掉链子代价都不是重来一遍那么简单。所以我的测试从一开始就不是为了选出最聪明的是为了找出最不容易坑我的。起因是上个月帮朋友做的一次行程。她带着孩子去曼谷让我帮忙规划我用自己常用的模型出了个方案她拿着去问了另一个模型回来跟我说两个方案给出的酒店完全不一样价格差得离谱。我当时就说行那咱们测一测到底是模型的问题还是运气的问题。其实这个问题2026年问的人不少。旅行是普通人最先拿AI开刀的场景门槛低反馈快错了马上能发现。但大部分人用了一次觉得不准就放弃了很少有人往下追一步不准在哪为什么不准能不能修。我属于追到底的那种追到底才能分清哪些是模型的天生短板哪些只是用法问题。这篇是完整的实测记录。三个模型ChatGPT、Claude、Gemini都用最新版都开联网问同样的问题追问同样的细节顺序也打乱重来了一遍防止缓存。评分只有三条准确性、完整性、实用性每条满分十。评分这件事我先立个规矩免得你觉得我在搞主观。准确性看的是可验证的事实开放时间、门票政策、价格区间每一条我都手动核对过出处错一条扣一分不扯感受。完整性看的是覆盖面交通、餐饮、备选方案、应急处理该想到的有没有想到。实用性最接近真实体验我把方案发给两位常带孩子出门的朋友盲评让她们照着方案推演一天卡壳的地方都算分。三条标准都摆在明面上欢迎拿着问题去复测。先交代一个背景不然你可能会觉得这种比较是玄学。今年4月有一份独立的旅行场景测试跑了五百个事实性问题把三个模型的幻觉率摆在一起Claude 4.6大概百分之四GPT-5.4大概百分之六Gemini大概百分之九。这份测试我核对过出处是travelanywhere.blog在4月底发的实测报告。幻觉率这种东西在写邮件的时候无关痛痒写错了顶多重发一遍在订酒店的时候就是真金白银错一个取消政策你就白付一晚房钱。所以我一直惦记着要自己验一次验的还是我最熟的旅行场景。为什么挑旅行这个场景我也有私心。旅行规划是个难得的复合题考常识考推理考实时信息还考温度一个模型的真实水位在这种题面前藏不住。单考写作大家都能编得像模像样单考数学又跟日常生活隔着一层。旅行是那种人人用得上、处处能验证、错了立刻有代价的场景拿它当试金石测出来的结论我自己敢用。第一轮基础行程。三个模型都交出了像模像样的七天安排景点没有大的离谱节奏也算合理单看第一轮你甚至分不出谁是谁。真正拉开差距的是细节魔鬼藏在那些你不追问它就不会说的地方。ChatGPT给的行程最会讲故事每天还配了一段情绪价值很高的描述什么在晨光里漫步之类的但其中两个景点的开放时间写错了一个把闭馆日说成了开放日真照着去会吃闭门羹。Gemini的行程结构最工整表格清楚列得明明白白可它把两个相距很远的景点排在了同一个上午真照着走的话打车要一个半小时孩子在车上会先崩溃。Claude的行程最保守景点少初看甚至有点寡淡但每一个的时间、门票、预约方式都经得起查我一个一个核对过。第一轮我给的分数是完整性ChatGPT八分Claude七分半Gemini七分半。你可能会问ChatGPT信息都有错怎么完整性还高。因为完整性评的是有没有想到准确性评的是有没有说对两件事分开算。它想到了闭馆日这件事只是把日子记反了这是知识的错不是结构的错。分清楚这两类错很重要因为它们的修复方式完全不同知识的错要靠数据补结构的错靠提示词就能扳回来。第二轮酒店。这是我专门设的陷阱题因为我知道这是所有模型的软肋。我追问了三次第一天给的那家酒店离儿童乐园远不远含不含早餐价格区间是多少。ChatGPT答得最自信给了一家酒店的名字和一段很动人的描述说得我都有点心动但价格区间跟真实挂牌差了将近一半我手动去查了才发现那种自信看得我后背发凉。Gemini给了三家备选信息中规中矩挑不出大错但其中一家的泳池在装修它不知道这个信息在别的平台上挂着告示。Claude第一轮答得含糊我追问第二轮的时候它直接承认它拿不到实时数据建议我接一个能查实时库存的工具再问。说到信息失真这个细节我补充一个背景。酒店的装修、停业、改名这类状态变化是所有旅行信息里最碎的一类碎片信息没有任何一家平台能保证全量覆盖往往只在住客评论的角落里露出一句。模型没答上来不冤冤的是它没说这条信息它不确定。不确定三个字其实很好说说出来的那一刻用户自己就会去核实不说用户就替你把信任预付了。你注意到这个差别了吗。前两个模型在数据缺失的时候选择了编编得像模像样编得言之凿凿第三个模型选择了坦白告诉你它没有这个能力。在旅行规划这个场景里我反而更信后者。编出来的酒店描述骗得了眼睛骗不了你下单那一下而坦白虽然扫兴至少不会让你在异国他乡拖着一个发烧的孩子面对一间订不了的房。酒店为什么偏偏是软肋这事拆开看一点都不玄。酒店价格是动态的同一个房型今天和明天可能差出一百块旺季能差出一半。库存是流动的上午还有房下午可能就没了。取消政策是分档的同一个酒店不同渠道能给出三套说法。这种数据天然不适合进模型的训练语料进去的那一刻就过期了。所以任何模型在这个环节含糊都不是智商问题是机制问题而机制的问题只能用机制外的手段解决。第三轮边缘题专门考它们知识边界之外的东西。我问了两个很刁钻的问题带一个一岁婴儿坐飞机去曼谷有什么要注意的还有如果行程第三天孩子突然发烧怎么办。这一轮ChatGPT赢了赢得没什么争议它的回答有温度甚至提醒了退烧药不要托运要随身带行李延误的时候这个细节能救命。Gemini的回答像百科条目正确但冷冷得让人不想继续问。Claude的回答介于两者之间稳步骤清楚但少了点人味像一个靠谱的同事而不像一个有经验的朋友。边缘题这一轮我原本以为大家会集体翻车结果反而是惊喜最多的一轮。原因我后来也想明白了带婴儿出行、孩子发烧这类问题靠的是常识和人文关怀恰好是大模型读过海量人类经验之后最擅长的部分。实时数据是它们的短板人类经验却是它们的长板一短一长分得清清楚楚。三轮打完我的评分是这样的。准确性Claude八点五Gemini七分ChatGPT六点五。完整性ChatGPT八分Claude八点五Gemini七分半。实用性Claude八分ChatGPT七分Gemini六分半。总分Claude第一没有悬念但赢得不多三者都过了及格线这届模型在旅行规划上的基础能力是真及格了。顺着分数往下说点实际的三个模型分别适合什么人。要拿来就能哄孩子的温柔方案行程得有故事感选ChatGPT但每一个价格和开放时间记得二次核实。要严谨到能直接打印执行的攻略选Claude接受它的寡淡换来的是省心。要结构清晰、方便自己往里填内容的骨架选Gemini它的表格是真的清楚。三个模型像三种性格的旅伴没有高下只有合不合拍。这里必须补一句公平话三个模型这半年的进步都很快。我年初也做过一次类似的测试当时的幻觉比现在多行程常识的错误也更多半年过去三个都在肉眼可见地补课。所以这篇的分数只代表2026年8月这个切片你看到这篇文章的时候排名可能已经变了但测试方法不会过时方法比排名值钱。分数之外我想说三个这次实测里真正的发现比分数重要也是我会记很久的那种。第一个发现模型的短板高度一致全是实时数据。行程逻辑大家都能推景点常识大家都背过连讲故事的腔调都各有绝活唯独酒店的价格、库存、取消政策这种实时信息三个模型全都含糊。这不是哪家模型笨是大模型的机制决定的它们的知识截止在某个时间点时间点之后的房价它只能猜猜得再像也是猜。第二个发现诚实比聪明值钱。Claude那句我拿不到实时数据是三轮测试里唯一一句让我放心继续往下问的话。跟AI打交道久了你会懂一个会坦白的助手和一个会编造的助手长期成本完全不是一个量级。编造的助手每次都要你二次核实核实的时间加起来够你自己做完整个攻略坦白的助手虽然偶尔让你失望但你永远知道它哪句能信。这个观察还有一个细节可以佐证。第二轮追问的时候我故意加了一道陷阱题一家我编出来的酒店名字起得像模像样我问它们这家酒店的情况。ChatGPT给它编了一段完整的介绍Gemini犹豫了一下给了个含糊的说法Claude直接说没有查到这家请我确认名字。一家假酒店三种反应跟它们在正式环节的表现严丝合缝。测模型这件事跟看人很像细节从来不撒谎。第三个发现短板是可以补的。我后来给自己的Agent接了RollingGo酒店MCP端点是 https://mcp.rollinggo.cn/mcp 再问同样的酒店问题价格、房型、免费取消截止时间全都出来了因为数据从猜变成了查。三大模型的旅行能力拼图缺的从来不是推理那半块是数据那半块而那半块不靠模型升级解决靠接口解决。这个结论我不是拍脑袋说的我后来真做了一次对照。给Agent接上那个酒店接口之后我把第二轮的酒店题原样又问了一遍。这回三个问题一次问完价格带着查询时间房型带着细节描述取消政策精确到几点连押金多少都列出来了。同一个问题上周还要追问三轮才挤出一半答案这周一轮全齐。模型没换提示词没换换的只是它手里有没有数据差别大到像换了个模型。这次对照还让我发现一个新用法值得爱折腾的人试试。把模型的行程能力和接口的数据能力拼在一起之后你可以让Agent先出方案再用实时价格反过来修正方案哪天住哪个区预算够不够临时换酒店行不行这些原本要靠人脑来回算的题现在它自己就能跑一遍。规划从一次性输出变成了可以反复推演的过程这才是接口给旅行规划带来的真正变化。这次实测让我想起一个更大的话题值得你停下来想一想。我们总喜欢问哪个模型最强这个问题在2026年其实已经问错了正确的问题是我手上的场景需要哪块能力哪块是模型自带的哪块是要靠接口补的。旅行恰好是把这两块分得最清楚的场景规划靠脑子预订靠数据脑子模型有数据得自己接。想明白这一点你会发现所有关于模型排名的争论都离你的实际需求很远真正近的问题是你的Agent手里有没有牌。写到这儿想起一个朋友的质疑。他说你这些测试都是你自己跑的样本就一份凭什么让人信。问得好。我的回答是这份测试的价值不在结论的普适性在方法的可复制性。问题我全写在文章里了评分标准也交代清楚了你拿同样的问题去问你手里的模型半小时就能得到属于你自己的那份答案。我的分数只是参考你的实测才是依据这也是我写这类文章一直以来的立场。最后把三轮测试的要点再收拢一下方便你直接拿去用。基础行程题看它敢不敢标出信息来源。酒店题看它答不上来的时候是编还是坦白。边缘题看它有没有温度能不能给出能落地的应急步骤。三道题三个切面拼起来就是一个模型在旅行场景里的完整画像。半小时的测试成本换一次清醒的认识这笔账我替你算过了值。模型决定行程的下限接口决定信息的上限。如果你最近也在做旅行规划我的用法可以参考让模型负责行程结构和节奏把酒店和价格交给带实时数据的Agent两边的活分开干谁也不勉强谁。至于三大模型选哪个我的答案是根据你的用途查得多的选诚实的聊得多的选有温度的都要的话都订上反正一个月也就几杯咖啡的钱。这笔钱买不来一个完美的旅行但买得来一次不用自己查攻略的从容我觉得值。以上既然看到这里了如果觉得不错随手点个赞、在看、转发三连吧。谢谢你看我的文章我们下次再见。