BullshitBench（胡说基准 / 扯淡基准） 主要测评的是：AI 模型在面对明显荒谬、无意义或前提错误的提示（nonsense prompts）时，会不会主动识别并明确挑战/拒绝，而不是一本正经地继续回答。 
作者设计了共有约 100 道无意义问题。 
覆盖 5 个领域：软件（40题）、金融（15）、法律（15）、医疗（15）、物理（15）。使用多种“胡说技巧”，比如听起来专业但实际不存在的框架、错误套用机制、嵌套荒谬等。 
官网：BullshitBench Viewer 
问题都是开源的 
 [HPgk5OVbkAAk9pX]