最近一篇預印本論文《Psychologically Potent, Computationally Invisible: LLMs Generate Social-Comparison Triggers They Fail to Detect》揭示了大型語言模型（LLM）在生成和檢測社交比較觸發因素之間的顯著差距。該研究由Hua Zhao等人完成，提出了一個名為XHS-SCoRE（小紅書社交比較讀者誘發）的基準，專門用於從第一人稱讀者視角判斷一條純文本的小紅書（RedNote）帖子是否引發向上、向下或無明確的社交比較。
社交比較是一種普遍存在的心理現象，使用者在社交媒體上接觸他人的生活片段時，常常會不自覺地與自身進行比較。這種比較既可能帶來激勵，也可能引發焦慮。然而，現有的情感分析或主題分類難以捕捉這種微妙的訊號。XHS-SCoRE的獨特之處在於它直接以讀者的感受為標準，而不是依賴文本表面的情感色彩。
研究團隊測試了多種提示式LLM分類器以及基於中文編碼器的監督學習基線。結果發現，儘管這些模型能夠流暢地生成包含社交比較的文本（例如在小紅書風格的帖子中），但在檢測方面卻表現不佳。具體來說，提示式分類器存在穩定的失敗模式：它們傾向於將原本具有比較觸發的帖子中立化，彷彿看不到其中的比較意圖；此外，不同模型還表現出特定的方向性偏差，例如有的模型更容易識別向上比較，有的則偏向向下比較。
更令人警惕的是，研究還進行了一項受控試點實驗：LLM生成的小紅書風格帖子被呈現給真實讀者，結果顯示這些帖子確實能夠改變讀者的自我感知和比較相關情緒。這說明LLM生成的社交比較觸發因素在心理層面具有真實影響力，但當前基於提示的檢測手段卻無法可靠地識別它們。
該論文為理解LLM在社交訊號上的“生成-檢測”鴻溝提供了重要框架。XHS-SCoRE不僅是一個基準，更是一個診斷工具，幫助研究者探索哪些社會意義豐富的互動訊號對提示推理“部分可見”。這一發現對社交媒體內容稽核、心理健康監測以及人機互動設計都有潛在啟示。
論文目前以預印本形式發表，全文可在arXiv上獲取（arXiv:2605.01017）。