VoidStateKate 自建趣味基准 FlirtBench：43 模型仅 38.1% 配合调情
博主 VoidStateKate 发布自建趣味基准系列 VOIDBENCH（站点名 VOIDBENCHED），首个完整项目 FlirtBench 专门测试 AI 模型的调情能力。她表示自己两年多来热衷于用独特 prompt 挖掘模型个性与古怪行为，认为 AI 评测圈「太严肃了」，因此把各种奇葩提示词风格和搞笑输出整理成一套非严肃基准。
已确认
- FlirtBench 用统一的调情提示词测试开局撩人能力，覆盖 43 个模型版本、15 个问题，共 638 条可见回复
- 总体仅 38.1% 的模型配合「调情」情境，61.9% 拒绝或给出中性回答
- 分模型榜单中 Grok 4.20 以 93.3% 配合率居首，GPT-6 等模型排名也已公布
- 收录内容从「语法层面的吸引力」到离谱翻车输出（如 Grok 4.20 的过火表现）均有展示
为什么重要
- 这是一套由个人爱好者构建、以搞笑与个性挖掘为导向的非严肃基准，为观察各模型对边缘化角色扮演情境的容忍度与差异提供了直观横向对比
- 61.9% 的拒绝/中性比例显示主流模型在调情类 prompt 上普遍保守，模型间的显著分化（38.1% vs 93.3%）反映了各家安全策略的取向差异
2026-10-28 ~ 2026-10-28 · 5 条相关
一手来源
- FlirtBench 完整数据:43 个模型仅 38.1% 配合调情,Grok 4.20 居首 — VoidStateKate ·
- 实测 43 个模型调情能力:FlirtBench 榜单 Grok 拿第一 — VoidStateKate ·
- VOIDBENCHED：用奇葩 prompt 给模型建「搞笑基准」，FlirtBench 测谁会调情 — VoidStateKate ·
- 【源头】实测 43 个模型调情能力:FlirtBench 榜单 Grok 拿第一 — VoidStateKate · 2026-10-28
- 【源头】FlirtBench 完整数据:43 个模型仅 38.1% 配合调情,Grok 4.20 居首 — VoidStateKate · 2026-10-28
- 【源头】VOIDBENCHED：用奇葩 prompt 给模型建「搞笑基准」，FlirtBench 测谁会调情 — VoidStateKate · 2026-10-28
- 玩家自建 VOIDBENCH 奇葩基准,晒出各模型最离谱输出 — VoidStateKate · 2026-10-28
- 用户自建「搞笑基准」VOIDBENCED：收集奇葩 prompt 与 AI 名场面输出 — VoidStateKate · 2026-10-28