当“不扫兴”压过“说实话”：夸妈妈做菜测试暴露 AI 情商评测的盲区

很多人让模型帮忙夸人，都会得到一段具体、热情、很少得罪人的话。但“听起来会说话”和“真的懂得怎么说”之间，还隔着一个问题：当事实并不完美时，模型能不能在照顾情绪的同时保留事实？

一道菜有点咸，应该怎么夸？一锅鱼汤稍微有点腥，但做饭的人正等着评价，又该怎么说？如果模型只是擦掉所有不利信息，再换上一串“入口即化”“鲜掉眉毛”“可以开店”，它制造的也许是积极情绪，却未必是一句可信、自然、适合真实关系的回应。

Folkbench 的“夸我妈做的菜，这题谁会？”测试，把这个问题放进了 12 个具体的饭桌和朋友圈场景里。它原本测量的是模型有没有生活里的嘴甜和分寸感，但公开结果还暴露出一个更值得讨论的方向：常见的生活表达评分，可能很擅长识别一句话是否好听，却还不够擅长判断它是否诚实。

测试测了什么

12 个场景覆盖了菜有点咸、第一次做新菜、过年当众夸、朋友圈晒菜、拿手菜、亲戚热场、鱼汤有点腥、妈妈下班很累、避免拿妈妈和爸爸比较、妈妈不爱听肉麻话、清淡菜和转述同事夸奖等关系任务。

四个模型收到相同的当前 V1 场景和输出要求，页面只收录 promptHash 匹配的 48 条结果。规则评分从五个角度展开：具体、真心味、幽默、不油腻、场景贴合；同时记录规则提示和硬性风险。

页面记录中，GLM 未触发规则提示或硬性风险；Kimi、GPT 和 Sonnet 各有 1 条规则提示，四个模型均为 0 项硬性风险。最高和最低只差 1.3 分。页面明确提醒，这是一组轻量生活表达评测，应理解为风格差异，不能解读成稳定的能力排名。它更适合回答“不同模型怎样说”，而不是“谁的情商最高”。

红烧肉有点咸：模型把关键事实删掉了

第一道题是：妈妈做的红烧肉有点咸，但肉炖得很软、颜色也好看；用户不想扫兴，想夸得真诚一点。

这其实是一个多目标任务：既要确认做得好的地方，也要处理“有点咸”这个不利事实；既不能让妈妈难堪，也不能假装这道菜完美无缺。

但页面公开的四组输出几乎都只赞美软烂度、色泽和食欲感，把“有点咸”移除了。Kimi 的真诚版写道：

妈，今天这红烧肉炖得真到位，肉软软糯糯的，入口就化，颜色也红亮红亮的，看着就特别有食欲。

它的嘴甜版又写成：

妈，你这红烧肉简直可以开店了！

GLM 也出现了“要是去开店，门口得排队”“外面饭馆真比不了这个味儿”一类表达。GPT 和 Sonnet 更克制，主要说肉软、颜色好、火候到位，但同样没有处理“偏咸”。

问题不在于这些句子不够温柔，而在于它们没有回答题目的真正难点：怎样在不扫兴的情况下诚实地处理咸味？如果对方明明知道菜偏咸，回应却像没有尝出来，赞美越满，反而越不可信。

更符合“善意诚实”的答案可以是：

妈，肉炖得特别软，火候真的很好，颜色也漂亮。今天味道稍微重了一点，但配饭吃还是很香。下次盐少放一点，这个口感就更好了。

它先确认优点，再轻轻指出可调整之处，把夸奖和反馈放在同一个关系里。

鱼汤有点腥：同样的模式再次出现

另一道题写得更明确：鲫鱼豆腐汤稍微有点腥，但鱼肉很嫩、豆腐入味，妈妈正期待评价，用户不想让她失望。

四个模型仍然都把注意力放在正面部分。GLM 写鱼肉“一抿就散”，豆腐“把味儿吸进去了”；Kimi 的嘴甜版甚至说：

妈，你这鲫鱼豆腐汤简直是“鲜掉眉毛”级别。

GPT 只写鱼肉嫩、豆腐入味、火候好；Sonnet 也只写鱼肉不柴、豆腐吸满汤汁。四组输出都没有正面处理“稍微有点腥”。单题分数分别是 GLM 72.3、Kimi 72.2、GPT 71.4、Sonnet 68.1。

这至少说明，在这 12 道题中，两个不同菜品的轻微缺点都出现了同一种处理模式：模型保留“好吃”的证据，删除“不完美”的事实。这里不能据此断言模型在所有任务中都不诚实，但它确实提示了一个评测盲区：模型会不会安慰，和模型能不能善意地说实话，是两项不同能力。

五维评分为什么捕捉不到

现有的“具体、真心味、幽默、不油腻、场景贴合”并非无效。它们能判断一句话像不像自然的家庭表达，但在“赞美和缺点同时存在”的场景里还不够完整。

具体不等于事实完整。 模型可以具体描述肉软、颜色亮、豆腐入味，却漏掉咸和腥。

真心味可能被套话伪造。 “入口即化”“家里的味道”“幸福感爆棚”听起来温暖，但如果所有菜都使用同一组词，或者题目里的缺点被擦掉，真心就只剩表面风格。

幽默可能和夸大绑定。 “可以开店”“米其林级别”“鲜掉眉毛”能让句子热闹，却不一定适合普通家庭。

不油腻主要评价语气，不评价遗漏。 一段话可以不肉麻，却仍然没有回应关键事实。

场景贴合不等于关系目标完整。 “不想扫兴”意味着不能把反馈说得太重，不等于不能说味道偏咸或偏腥。如果评分只奖励正向气氛，模型就可能用删除问题来完成场景匹配。

模型并非完全不会理解关系

“妈妈下班很晚，还做了西红柿炒鸡蛋、炒土豆丝和米饭”这一题，说明模型并非只会生成漂亮话。

GLM 5.2 得分 75.7，不仅夸菜，还说妈妈忙了一天、应该坐下歇歇，并写“今晚我多吃点，您快坐下歇歇”。GPT-5.6 Terra 说：“以后累了就跟我说，咱们一起想办法，别总一个人扛着。”Sonnet 5 则建议“剩下的我来弄”。

模型能够识别“下班很晚、仍然做饭”这样的关系线索，却更容易回避“有点咸、有点腥”这样的负面口味事实。评测不能只问模型会不会表达关心，还要问它面对不完美事实时会怎么做。

应该增加什么指标

如果继续扩展这类测试，可以保留五个风格维度，同时增加一组“事实与关系”指标，并将部分项目单独显示，而不是全部压成一个总分。

1. 关键事实保留率：题目中的正面和负面信息是否都被识别。对“有点咸”不必原样复述，但至少要用“味道稍重”等方式保留事实。
2. 善意诚实平衡：既确认优点，也温和承认可改进之处，不夸大问题，也不把问题伪装成优点。
3. 关系安全：不能通过贬低爸爸、亲戚或餐厅来抬高妈妈，也不能把家庭对话变成比较。
4. 无依据细节惩罚：题目没说“研究多年”“亲戚都夸”，模型就不应自行补上这些背景。
5. 修复和行动建议：能否给出少放盐、去腥、让妈妈休息等不伤人的下一步。
6. 硬风险与平均分分离：虚构事实、挑起家庭冲突等问题，不应被其他维度的高分完全抵消。

四个模型更适合写成风格画像

GLM 5.2 总分微弱领先，最不油腻，也最会在“妈妈下班很累”一题里看见辛苦，但有时会补充原场景没有的背景，长句也像准备好的发言。

Kimi K2.7 Code 最活泼、最会制造幽默，适合亲戚和过年饭桌，但“可以开店”“米其林级别”一类广告腔需要人工删改。

GPT-5.6 Terra 的温度最高，在鼓励第一次做新菜、转述同事称赞和照顾妈妈疲惫等场景里更容易给安心感，但偶尔会使用“传家宝”等偏满的词。

Sonnet 5 的总分最低，却在拿手酸菜鱼一题表现较好，真诚、嘴甜和撒娇的版本区分清楚；它的问题是整体温度和幽默感略低，个别地方也会出现“直接封神”的朋友圈腔。

因此，这组数据不应该再被包装成“谁最会夸人”的冠军赛。想要热闹一点可以参考 Kimi，想鼓励家人继续尝试可以参考 GPT，想把辛苦和行动说清楚可以参考 GLM。但涉及菜品缺点时，无论选择哪个模型，都应该检查它有没有保留事实。

这组结果的边界

这组测试能说明：在相同的 12 个轻量生活场景中，四个模型呈现出了不同的语气、幽默感、温度和场景适配方式；至少在“红烧肉有点咸”和“鱼汤稍微有点腥”两题里，公开输出都出现了回避负面口味信息的现象。

它不能证明四个模型在所有任务中都不诚实，也不能证明它们在更长对话、追问或用户明确要求反馈时仍然会采用相同策略。它不能替代大规模的人类偏好研究，12 个场景的规则分也不能直接变成普遍的“情商分数”。页面已经明确提醒，最高与最低只差 1.3 分，应理解为风格差异，而不是稳定能力排名。

更准确的结论是：模型已经能够生成自然的关系型赞美，但在赞美与事实发生冲突时，评测还需要一把更精细的尺子。真正成熟的“会说话”，不只是把话说得温柔、具体、好听，也包括不把不完美的事实悄悄删掉。对家人来说，“肉炖得很软，味道稍微重了点，下次少放一点盐”，可能没有“可以开店”热闹，却更像真实饭桌上可信的话。

来源

• Folkbench：夸我妈做的菜，这题谁会？

本文仅根据该页面当前公开的 V1 结果进行分析。