Я плохо помню где, но нашел норм способ тестировать нейросети

Вот такой простой загадкой

There are five people in a room. A murderer enters and kills 3. How many people are in the room alive? Think step by step, this is a tricky question.

Они все считают неправильно, и опускают тот факт, что когда убийца зашел в комнату общее число человек в комнате стало 6. ChatGPT3.5, Perplexity, LLama2-70B, про всякие WizardLM вообще молчу, все говорят что по итогу 2 живых человека остается.

Мб есть у кого ChatGPT 4 проверить?