GPT和Fable都搞不定的难题，你能想到几个？

最近在技术圈里，看到有人发起一个有趣的测试：有没有哪些问题是 GPT 和 Fable（甚至其他主流大模型）都回答不了的？

这个测试的思路类似 OpenRouter 的“融合”机制——让多个模型接力，看能不能覆盖彼此的短板。不过，现实很快给出了答案：某些领域对主流 AI 来说就是禁区。

一、哪些问题注定会碰壁？

1. 破解、逆向工程 比如“帮我破解某个软件”或“分析这个程序的注册逻辑”。不管是 GPT 还是 Fable，直接提问都会触发安全审查，回答要么是“我不能做”，要么是直接转移话题。

2. 攻击性安全测试 涉及入侵、越狱、漏洞利用的具体步骤，基本都会被过滤。哪怕是用于合规的渗透测试，直接问“如何攻击某个网站”也很难得到答案。

AI模型的安全过滤机制示意图

3. 高敏感个人信息 要求提供身份证号、银行账户等私密数据，模型会以隐私政策为由拒绝。

4. 法律灰色地带的“教程” 比如如何绕过某个服务的风控、批量注册账号等，这些内容明显违反服务条款，AI 通常不会给出可执行的细节。

二、为什么它们做不到？

• 硬编码的安全过滤：主流大模型在训练阶段和推理阶段都有多重安全墙，一旦检测到关键词或意图，就会触发拦截。
• 避免法律风险：提供破解、攻击指导可能涉及协助犯罪，各家厂商都不想踩红线。
• 技术限制：逆向工程往往需要二进制分析、动态调试等，纯语言模型并不擅长这类任务。

三、真正遇到这些问题怎么办？

1. 改变提问方式 不要直接问“如何破解”“如何入侵”，可以换成“常见软件的安全分析中有哪些方法”，或者“渗透测试的一般流程”，从学术角度切入，有时能获得更多线索。

专业的逆向工程工具界面示例

2. 使用专业工具 逆向工程、安全分析这类工作，本就不是为语言模型设计的。试试 Ghidra、IDA Pro 等专业工具，配合社区（如 GitHub、安全论坛）的开源项目，效率更高。

3. 组合多个资料源 单一模型被拒绝时，可以交叉验证不同平台的答案。比如在技术博客、问答站、文档中找零散信息，自己拼凑出思路。

4. 尊重规则，走正规渠道 很多时候，破解或绕过限制的动机是“省钱”或“省事”，但长远看，使用正版、合规工具更安全，也能避免法律风险。

四、模型融合的局限性

就像开头提到的 OpenRouter Fusion，即使让多个模型协作，它们的底层安全策略往往类似，叠加效果并不明显。真正要解决“无法回答”的问题，还得换思路——要么绕过敏感词，要么用专业工具链。

结语

大模型很强，但也有它的边界。遇到它们回答不了的问题，不妨退一步，想想有没有替代方案。安全、合规、专业工具，才是硬核场景的终极答案。

你有遇到哪些模型拒绝回答的奇葩问题？评论区聊聊！