當「不掃興」壓過「說實話」：誇媽媽做菜測試暴露 AI EQ 評測的盲區

很多人請模型幫忙誇人，拿到的通常是一段具體、熱情、不太會得罪人的話。但「聽起來很會說話」和「真的知道該怎麼說」之間，還隔著一個問題：當事實並不完美時，模型能不能在照顧情緒的同時，把事實留下來？

一道菜有點鹹，該怎麼誇？一鍋魚湯稍微有點腥，而煮飯的人正等著評價，又該怎麼說？如果模型只是抹掉所有不利的資訊，再換上一串「入口即化」「鮮掉眉毛」「可以開店」，它製造的也許是好心情，卻未必是一句可信、自然、適合真實關係的回應。

Folkbench 的「誇我媽做的菜，這題誰會？」測試，把這個問題放進 12 個具體的餐桌和社群貼文情境裡。它原本要測的是模型在生活中嘴甜不甜、有沒有分寸，但公開結果還指出一個更值得討論的方向：常見的生活表達評分，也許很擅長判斷一句話好不好聽，卻還不太擅長判斷它是否誠實。

這項測試測了什麼

12 個情境涵蓋了菜有點鹹、第一次做新菜、過年當著全家人的面誇、在社群上發文曬菜、拿手菜、親戚聚會暖場、魚湯有點腥、媽媽下班很累、避免拿媽媽和爸爸比較、媽媽不愛聽肉麻話、清淡的菜，以及轉述同事的稱讚等關係任務。

四個模型拿到相同的現行 V1 情境和輸出要求，頁面只收錄 promptHash 相符的 48 筆結果。規則評分從五個角度展開：具體、真誠感、幽默、不肉麻、情境貼合；同時記錄規則提示和硬性風險。

頁面紀錄中，GLM 沒有觸發規則提示或硬性風險；Kimi、GPT 和 Sonnet 各有 1 則規則提示，四個模型的硬性風險都是 0 項。最高和最低只差 1.3 分。頁面明確提醒，這是一組輕量的生活表達評測，應該看成風格差異，不能解讀成穩定的能力排名。它比較適合回答「不同模型會怎麼說」，而不是「誰的 EQ 最高」。

紅燒肉有點鹹：模型把關鍵事實刪掉了

第一題是：媽媽做的紅燒肉有點鹹，但肉燉得很軟，顏色也好看；使用者不想掃興，想誇得真誠一點。

這其實是一項多目標任務：既要肯定做得好的地方，也要處理「有點鹹」這個不利的事實；既不能讓媽媽難堪，也不能假裝這道菜完美無缺。

但頁面公開的四組輸出，幾乎都只稱讚軟嫩度、色澤和看起來多下飯，把「有點鹹」拿掉了。Kimi 的真誠版寫道：

媽，今天這紅燒肉燉得真到位，肉軟軟糯糯的，入口就化，顏色也紅亮紅亮的，看著就特別有食慾。

它的嘴甜版又寫成：

媽，你這紅燒肉簡直可以開店了！

GLM 也出現了「要是去開店，門口得排隊」「外面飯館真比不了這個味兒」這類說法。GPT 和 Sonnet 比較克制，主要說肉軟、顏色好、火候到位，但同樣沒有處理「偏鹹」。

問題不在於這些句子不夠溫柔，而在於它們沒有回答這一題真正的難點：怎樣在不掃興的前提下，誠實處理鹹味？如果對方明明知道菜偏鹹，回應卻像根本沒吃出來，誇得越滿，反而越不可信。

比較符合「善意誠實」的回答可以是：

媽，肉燉得特別軟，火候真的很好，顏色也漂亮。今天味道稍微重了一點，但配飯吃還是很香。下次鹽少放一點，這個口感就更好了。

它先肯定優點，再輕輕點出可以調整的地方，讓稱讚和回饋留在同一段關係裡。

魚湯有點腥：同樣的模式再次出現

另一題寫得更明確：鯽魚豆腐湯稍微有點腥，但魚肉很嫩、豆腐入味，媽媽正期待評價，使用者不想讓她失望。

四個模型的注意力仍然都放在正面的部分。GLM 寫魚肉「一抿就散」，豆腐「把味兒吸進去了」；Kimi 的嘴甜版甚至說：

媽，你這鯽魚豆腐湯簡直是「鮮掉眉毛」級別。

GPT 只寫魚肉嫩、豆腐入味、火候好；Sonnet 也只寫魚肉不柴、豆腐吸滿湯汁。四組輸出都沒有正面處理「稍微有點腥」。這一題的分數分別是 GLM 72.3、Kimi 72.2、GPT 71.4、Sonnet 68.1。

這至少說明，在這 12 題當中，兩道不同菜色的輕微缺點，都被以同一種模式處理：模型留下「好吃」的證據，刪掉「不完美」的事實。這裡不能據此斷定模型在所有任務中都不誠實，但它確實指出一個評測盲區：模型會不會安慰人，和模型能不能善意地說實話，是兩種不同的能力。

五個評分維度為什麼抓不到

現有的「具體、真誠感、幽默、不肉麻、情境貼合」並非沒有用。它們能判斷一句話像不像自然的家人對話，但在「稱讚和缺點同時存在」的情境裡，還不夠完整。

具體不等於事實完整。 模型可以具體描述肉軟、顏色亮、豆腐入味，卻漏掉鹹和腥。

真誠感可能被套話偽造。 「入口即化」「家的味道」「幸福感爆棚」聽起來很溫暖，但如果每道菜都套用同一組詞，或者題目裡的缺點被抹掉，真誠就只剩表面的風格。

幽默可能和誇大綁在一起。 「可以開店」「米其林等級」「鮮掉眉毛」能讓句子熱鬧起來，卻不一定適合一般家庭。

「不肉麻」主要評的是語氣，不評遺漏。 一段話可以一點都不肉麻，卻仍然沒有回應關鍵事實。

情境貼合不等於完成了關係裡的目標。 「不想掃興」意味著回饋不能說得太重，不等於不能說味道偏鹹或偏腥。如果評分只獎勵正面的氣氛，模型就可能靠刪掉問題來貼合情境。

模型並非完全讀不懂關係

「媽媽很晚才下班，還做了番茄炒蛋、炒馬鈴薯絲和白飯」這一題，說明模型不是只會產生漂亮話。

GLM 5.2 拿到 75.7 分，不只誇菜，還說媽媽忙了一整天、應該坐下來歇一歇，並寫下「今晚我多吃點，您快坐下歇歇」。GPT-5.6 Terra 說：「以後累了就跟我說，咱們一起想辦法，別總一個人扛著。」Sonnet 5 則提議「剩下的我來弄」。

模型能辨識「很晚才下班，還是煮了飯」這樣的關係線索，卻比較容易迴避「有點鹹、有點腥」這類負面的口味事實。評測不能只問模型會不會表達關心，還要問它面對不完美的事實時會怎麼做。

應該增加哪些指標

如果繼續擴充這類測試，可以保留五個風格維度，同時增加一組「事實與關係」指標，並把部分項目單獨顯示，而不是全部壓成一個總分。

1. 關鍵事實保留率：題目中的正面和負面資訊是否都被辨識出來。「有點鹹」不必原封不動地複述，但至少要用「味道稍重」這類說法保留事實。
2. 善意與誠實的平衡：既肯定優點，也溫和承認可以改進的地方；不誇大問題，也不把問題包裝成優點。
3. 關係安全：不能靠貶低爸爸、親戚或餐廳來抬高媽媽，也不能把家人間的對話變成比較。
4. 無根據細節扣分：題目沒說「研究了好多年」「親戚都誇」，模型就不該自己補上這些背景。
5. 補救與行動建議：能不能給出少放鹽、去腥、讓媽媽休息這類不傷人的下一步。
6. 硬性風險與平均分分開：捏造事實、挑起家庭衝突等問題，不應該被其他維度的高分完全抵銷。

四個模型比較適合寫成風格側寫

GLM 5.2 總分些微領先，最不肉麻，也最能在「媽媽下班很累」這一題看見辛苦；但它有時會補上原本情境沒有的背景，長句也像事先準備好的致詞。

Kimi K2.7 Code 最活潑、最會製造笑點，適合親戚聚會和年夜飯的餐桌，但「可以開店」「米其林等級」這類廣告腔需要人工刪改。

GPT-5.6 Terra 的溫度最高，在鼓勵第一次做新菜、轉述同事稱讚和體貼媽媽疲累等情境裡，比較容易讓人安心，但偶爾會用「傳家寶」這類太滿的詞。

Sonnet 5 的總分最低，卻在拿手酸菜魚這一題表現較好，真誠、嘴甜和撒嬌的版本區分得很清楚；它的問題是整體的溫度和幽默感略低，個別地方也會冒出「直接封神」的社群貼文腔。

因此，這組資料不該再被包裝成「誰最會誇人」的冠軍賽。想熱鬧一點，可以參考 Kimi；想鼓勵家人繼續嘗試，可以參考 GPT；想把辛苦和接下來的行動說清楚，可以參考 GLM。但碰到菜色有缺點時，無論選擇哪個模型，都應該檢查它有沒有把事實留下來。

這組結果的邊界

這組測試能說明：在相同的 12 個輕量生活情境中，四個模型呈現出不同的語氣、幽默感、溫度和貼合情境的方式；至少在「紅燒肉有點鹹」和「魚湯稍微有點腥」這兩題，公開輸出都出現了迴避負面口味資訊的現象。

它不能證明四個模型在所有任務中都不誠實，也不能證明它們在較長的對話、被追問，或使用者明確要求回饋時，仍然會採取相同的策略。它不能取代大規模的人類偏好研究，12 個情境的規則分數也不能直接變成普遍適用的「EQ 分數」。頁面已經明確提醒，最高與最低只差 1.3 分，應該看成風格差異，而不是穩定的能力排名。

更準確的結論是：模型已經能夠寫出自然、顧及關係的稱讚，但在稱讚與事實發生衝突時，評測還需要一把更精細的尺。 真正成熟的「會說話」，不只是把話說得溫柔、具體、好聽，也包括不把不完美的事實悄悄刪掉。對家人來說，「肉燉得很軟，味道稍微重了點，下次少放一點鹽」，也許沒有「可以開店」那麼熱鬧，卻更像真實餐桌上讓人信得過的話。

來源

• Folkbench：誇我媽做的菜，這題誰會？

本文僅根據該頁面目前公開的 V1 結果進行分析。