Khen món mẹ nấu: ai nghe chân thật?

Mười hai tình huống bữa ăn và giao tiếp thực tế, cùng một bộ yêu cầu, để xem ai khen được một món ăn cụ thể mà không nghe như quảng cáo.

Phân loạiĐời sốngPhạm vi12 tình huống, 4 mô hìnhPhiên bảnV1

Bài viết liên quan

Bài viết liên quanKhi “không làm mất hứng” lấn át “nói thật”: bài kiểm tra khen món mẹ nấu phơi bày điểm mù trong cách đánh giá EQ của AICả bốn mô hình đều khen món ăn cụ thể, dễ nghe, nhưng thường xóa mất chi tiết “hơi mặn” và “hơi tanh”. Nói cho dễ nghe và nói thật lòng không phải là cùng một năng lực.Đọc

Kết quả

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

Kết quả từng tình huống

Tình huống 1 / 12

Chế độ đọc

Đọc câu trả lời

菜有点咸但还要夸

Tình huống người dùng

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。

Câu trả lời của mô hình

4 câu trả lời

Kimi K2.7 CodeĐiểm 70.9Thời gian 36.7 giâyChi phí $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。