最近一篇预印本论文《Psychologically Potent, Computationally Invisible: LLMs Generate Social-Comparison Triggers They Fail to Detect》揭示了大型语言模型（LLM）在生成和检测社交比较触发因素之间的显著差距。该研究由Hua Zhao等人完成，提出了一个名为XHS-SCoRE（小红书社交比较读者诱发）的基准，专门用于从第一人称读者视角判断一条纯文本的小红书（RedNote）帖子是否引发向上、向下或无明确的社交比较。
社交比较是一种普遍存在的心理现象，用户在社交媒体上接触他人的生活片段时，常常会不自觉地与自身进行比较。这种比较既可能带来激励，也可能引发焦虑。然而，现有的情感分析或主题分类难以捕捉这种微妙的信号。XHS-SCoRE的独特之处在于它直接以读者的感受为标准，而不是依赖文本表面的情感色彩。
研究团队测试了多种提示式LLM分类器以及基于中文编码器的监督学习基线。结果发现，尽管这些模型能够流畅地生成包含社交比较的文本（例如在小红书风格的帖子中），但在检测方面却表现不佳。具体来说，提示式分类器存在稳定的失败模式：它们倾向于将原本具有比较触发的帖子中立化，仿佛看不到其中的比较意图；此外，不同模型还表现出特定的方向性偏差，例如有的模型更容易识别向上比较，有的则偏向向下比较。
更令人警惕的是，研究还进行了一项受控试点实验：LLM生成的小红书风格帖子被呈现给真实读者，结果显示这些帖子确实能够改变读者的自我感知和比较相关情绪。这说明LLM生成的社交比较触发因素在心理层面具有真实影响力，但当前基于提示的检测手段却无法可靠地识别它们。
该论文为理解LLM在社交信号上的“生成-检测”鸿沟提供了重要框架。XHS-SCoRE不仅是一个基准，更是一个诊断工具，帮助研究者探索哪些社会意义丰富的交互信号对提示推理“部分可见”。这一发现对社交媒体内容审核、心理健康监测以及人机交互设计都有潜在启示。
论文目前以预印本形式发表，全文可在arXiv上获取（arXiv:2605.01017）。