Android 手机上的 Caelum：能读懂包裹单，事实与逻辑却出错（其他 AI 在逻辑题上也出了错）

PromptQuorum 目录把 Caelum 列为免费、闭源的 Android 聊天应用，称其可离线运行 AI，支持文档提问和可选的网页搜索。目录中没有记录具体模型，网站已无法解析，Google Play 下载量 10K+，要求 Android 7.0+，自 2025年8月14日 起没有更新（数据读取于 2026年10月19日；更新日期已超过一年）。

第一屏写着“downloading needed data...”，41 Mo/1020 Mo，预计 3m 8s，下面有提示框和“Tap to see other tips...”。5.60 MB/s 这个数字是状态栏自己的指示。

应用从未说明它在下载哪个 LLM：界面上只写着“downloading needed data...”。

下一张截图（10:39）显示聊天主屏。下载结束的那一刻没有截图，所以“约三分钟”是根据两个时钟推算的。

测试者称这个界面“非常多彩、非常漂亮”（very colorful, very beautiful），输入区域“有点拥挤”。

显示的单位是“Mo”，即兆字节的法语缩写，而其余可见文字都是英文。测试者把这次下载称为“一千兆字节”；1,020 Mo 约为 1.0 GB。

“How can I help you today?”、两条推荐提示（“What are the benefits of meditation?”“Explain quantum physics in simple terms”），以及一排输入控件：文本框、蓝色地球按钮、绿色文件夹按钮、黄色发送箭头。

照片是通过文件夹按钮附上的；笔记中没有说明。

测试者发送了一张拍下来的 DHL 单据，提示词是“what is the picture about”。回答：一个 DHL 包裹，重 4.7 kg，有一个运单号，“sent from Germany to Switzerland”。

他对这么小的应用能读图片印象深刻，并写道：“Switzerland, not sure where it got that idea.”

重量、运单号和路线是否与单据相符没有记录：单据本身不在笔记里。只有目的地被质疑。

对话标题是“where is paris?”，而可见的消息是“what is the picture about”。这个标题是该对话的第一个问题：测试者在同一个对话里又加了两个问题，其中包括照片问题。

操作按钮：用户消息下方有编辑、重新生成和删除；回答下方有复制和朗读。10:43 时屏幕是深色主题，10:39 时是浅色主题；主题如何切换没有记录。测试者说：“it has a dark theme. Nice.”

彩虹边框的方框显示“Searching the web...”时，地球按钮是更深的蓝色，发送箭头变成黄色方块。静止时地球是较浅的蓝色。

他完全分不清网页搜索何时开启、何时关闭，也不知道它起什么作用：“two different shades of blue”。

10:47 的卢旺达截图里地球按钮同样是深蓝色，这表明网页搜索可能一直开着。

在一个标题为“what is the politi...”的新对话中，回答的可见部分称卢旺达“has been experiencing significant political instability following the assassination of President Paul Kagame in July 2023”，并引用“reputable news sources (like Reuters and BBC)”。截图中看不到任何链接。完整的问题没有截图保存；推测是一个关于卢旺达政治局势的问题。

测试者截下的 Google AI Overview 称 Kagame 自 2000年4月22日起在任，并于 2024 年 7 月连任；Google 自己的提示说 AI 回答可能包含错误。该 Overview 里有一位真人的照片，所以这里不发布截图。

PromptQuorum 于 2026年10月21日 又做了一次网页搜索，找到了他的官方网站和一篇选举报道，没有找到任何遇刺的报道。这只是有限的核对。

ChatGPT 生成了一道题，标题为“Advanced Logic Stress Test: The Blackout Protocol”，据说考察约束、时间推理、矛盾和多步推导。测试者把它粘贴给了 Caelum。

Caelum 写出了“a big report”，一分钟后仍在继续写；最后还提出可以再深入展开。它的回答原文没有保存；唯一可见的片段出现在粘贴预览里，以“1. Feasibility Ve...”和“The plan is highly improbable to...”开头。

测试者把回答粘贴到 ChatGPT。它的评语：“The AI sounds analytical, but it makes several serious logical errors. I would score this response quite poorly”，并指出“correct-looking conclusion — no valid plan — without establishing the actual contradiction”。它的评分：总分 5/25（约束理解 2/5、形式推导 1/5、时间推理 1/5、论证质量 0/5、遵循指令 1/5），“not a standardized benchmark score”。ChatGPT 还写道：“One important correction to my own earlier analysis”。

为了检验这道题本身是否不公平，测试者把它依次交给免费版 Grok、Claude Opus 5.5（medium）和 Claude Fable 5.1（high），并把每个回答拿给 ChatGPT 看。ChatGPT 认为后面的回答更好（“substantially better”，其中一次逻辑推导 8/10），但每个回答仍有错误，例如把 12 个有效排班说成“are actually 13”，以及一个最小修复的证明“not yet rigorous enough”。

Opus 回答“in less than one minute”；Grok 约三分钟后仍在运行。两者都没有计时。

他的规则：始终交叉核对，不要只信一个模型，“especially not the smaller one”。他还说 Fable 是第一个解释清楚这道题在问什么的。

测试者总结：对一个小模型来说，读图片“incredible”；网页搜索在同类应用中并不常见（PromptQuorum 未核查）；质量参差不齐，对 1 GB 的模型来说并不意外。AI 在本地运行这一点“is actually not stressed at all”，他怀疑用户是否会知道模型是在本地运行的。

他会保留吗？“No, I don't see the point.”基于前沿模型的免费服务能做的多得多，所以这个文件不值得占用空间。

10:36：第一屏，已下载 41 Mo / 共 1,020 Mo，预计 3 m 8 s，5.60 MB/s，5G，电量 70%。

10:39：聊天主屏，浅色主题，Wi-Fi 图标，电量 67%。

10:43：照片提问，深色主题，网页搜索开始，电量 66% 和 65%。

10:47：卢旺达回答，电量 64%。

10:49：ChatGPT 编写逻辑题（在 ChatGPT 应用中），电量 63%。10:55 至 10:56：ChatGPT 评判 Caelum 的逻辑回答（在 ChatGPT 应用中），电量 59%。

20 分钟内电量从 70% 降到 59%，期间屏幕一直亮着，其中一部分时间在用 ChatGPT 应用，所以这些消耗都不能算在 Caelum 头上。10:39 到 10:47 之间主要在 Caelum 里，电量从 67% 降到 64%。无法给出内存图表，因为应用的内存占用没有记录（手机内存为 12 GB）。状态栏里的流量读数（聊天截图中为 0.03 至 0.58 KB/s）只是单次快照，不是流量日志，也不能说明应用是否处于离线状态。