BrokenArxiv是测试模型诚实与批判性思维的假数学命题基准，Claude Opus 4.7在此测试表现极差，远逊于GPT 5.4、5.5且后者成本更低，网友除猜测相关原因外，也有人质疑测试内容是否在GPT训练数据中。