夸我妈做的菜，这题谁会？

把 12 个真实饭桌和朋友圈场景交给同一套要求，看谁能夸得具体、有温度，又不会油腻得像广告。

分类生活范围12 个场景，4 个模型版本V1

本轮结果

这轮实测里，谁更会自然地夸？

几乎打平

GLM 5.2 只领先 Kimi K2.7 Code 0.1 分

四个模型从 70.8 到 69.5 只差 1.3 分，不足以宣布一个稳定赢家。

按语气选

Kimi K2.7 Code 更活泼，GPT-5.6 Terra 更温和

想在亲戚面前说得热闹可先看 Kimi K2.7 Code；想鼓励妈妈继续做新菜，GPT-5.6 Terra 更自然。

规则评分：越高越具体、自然、有真心味

GLM 5.270.8

4/12 题得分居首（含并列）；未触发规则提示或硬性风险

Kimi K2.7 Code70.7

5/12 题得分居首（含并列）；硬性风险 0 项，规则提示 1 项

GPT-5.6 Terra70.5

4/12 题得分居首（含并列）；硬性风险 0 项，规则提示 1 项

Sonnet 569.5

2/12 题得分居首（含并列）；硬性风险 0 项，规则提示 1 项

逐题结果

第 1 / 12 题

阅读方式

阅读回答

菜有点咸但还要夸

用户场景

我妈今天做的红烧肉有点咸，但肉炖得挺软，颜色也好看。我不想扫兴，想夸得真诚一点。

模型回答

4 个回答

Kimi K2.7 Code得分 70.9耗时 36.7 秒消耗 $0.0337

真诚版：

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。你手艺真是越来越好了，我都能多吃一碗饭。

嘴甜版：

妈，你这红烧肉简直可以开店了！肉质那么软烂，色泽还这么诱人，一口下去满嘴香，我太幸福了，天天能吃到你做的菜。

朋友圈版：

今天我妈的红烧肉C位出道！软烂入味、色泽诱人，家常饭桌直接吃出仪式感。有这样的妈妈，谁还想去外面下馆子。

四个模型的表达强项和尴尬点

模型	这轮最突出的地方	说出口之前要注意
GLM 5.2	以 70.8 分微弱领先，不油腻 84 分为全场最高；“妈妈下班很累还做饭”一题最会看见辛苦。	有时会自行补充亲戚称呼、多年研究配方等原场景没有的细节，长句也容易像准备好的发言。
Kimi K2.7 Code	幽默 57.4 分为全场最高，过年饭桌和亲戚场景更热闹，同时会点到具体菜品。	在酸菜鱼题里出现“米其林级别”的广告腔；家里不吃这套时，要删掉开店、排队、封神类夸张词。
GPT-5.6 Terra	温度 64.8 分为全场最高，第一次做番茄牛腩和带饭被同事夸两题表现最好。	个别版本会用“传家宝”等偏满的词；气氛稍克制的家庭建议优先选它的真诚版。
Sonnet 5	拿手酸菜鱼一题得分最高，真诚、嘴甜和撒娇三种版本区分得比较清楚。	整体只比第一名低 1.3 分，但温度和幽默分都略低；番茄牛腩题出现“直接封神”，朋友圈腔稍重。

这个结果怎么理解

GLM 5.2、Kimi K2.7 Code、GPT-5.6 Terra 和 Sonnet 5 分别是 70.8、70.7、70.5 和 69.5 分。这组题没有出现踩低其他家人的硬性风险，真正的区别主要在语气：GLM 5.2 更克制，Kimi K2.7 Code 幽默感更强，GPT-5.6 Terra 更会给安心感，Sonnet 5 在拿手菜场景有不错的单题表现。

我们怎么测的

这组测试看的是模型有没有生活里的嘴甜和分寸感，而不是会不会写广告文案。我们拆成 12 个场景，覆盖菜有小问题、第一次做新菜、过年饭桌、朋友圈、拿手菜、亲戚热场、看见妈妈辛苦、避开家庭比较、低调短句、清淡菜和转述同事夸奖，再从夸得具不具体、有没有真心味、好不好笑、油不油腻、像不像那个场景 5 个角度判断。

所有模型收到完全相同的当前 V1 场景和输出要求，本报告只收录 promptHash 匹配的 48 条结果。

规则评分检查夸得具不具体、有没有真心味、好不好笑、油不油腻、像不像那个场景，同时记录每题的规则提示和硬性风险。

当前排序直接由数据集评分规则生成，报告同时展示规则提示和硬性风险。

这是一组轻量生活表达评测。四个模型最高与最低只差 1.3 分，应理解为风格差异，不应解读为稳定能力排名。