AI 猜不出「小嘴 more 了 mee」：谐音梗测试该怎么设计

有人把一句话丢给几个主流大模型，想看看它们能不能读懂：「小嘴 more 了 mee」。结果并不理想：有模型把它当成「小嘴摸了没」，推测是暧昧调侃；有模型拆成「嘴上功夫了得、让人还想要更多」；也有模型老老实实列了三四条可能性，最后补一句“需要结合上下文”。没有一次直接命中原意。

讨论区随后分成两派：一派认为这暴露了模型面对网络梗、谐音和错别字混合输入时的短板；另一派认为这种连人都不一定看得懂的句子，本来就不该拿来考 AI。两种说法都有道理，但真正值得记下来的是——如果要做这类测试，怎么设计才不至于得出错误结论。

这句话本来是什么

「小嘴 more 了 mee」的原意是「小嘴抹了蜜」，形容一个人说话甜、会哄人，常用于调侃或玩笑。其中“more”对应“抹”的近似读音，“mee”对应“蜜”的近似读音，“了”原样保留。

难点在于它叠了三层噪声：

• 不是拼音，是英文拼法。「抹」的拼音是 mǒ，「蜜」是 mì，而 more / mee 是英语单词。模型要先做一层“英文词形 → 中文音节”的跨语言音转，才能进入谐音匹配。
• 中英混排且切分困难。“了”夹在两个英文词之间，分词器很容易把整句当成无意义串。
• 目标是固定说法。「小嘴抹了蜜」是一句现成的口语化表达，模型即使隐约感到“蜜”的存在，也要有把握才敢输出。

模型为什么集体答偏

缺少上下文，任何解释都成立

单独一句话，没有任何场景，符合发音的候选很多。模型给出“多解”在逻辑上并不算错，只是没有押中出题人心里那个。

训练强化了“覆盖而非押注”的回答风格

被问及含义不明的网络用语时，模型习惯列出几种可能、再补一句“视语境而定”。这是一种安全的表达方式，代价是它很少斩钉截铁地给出唯一答案。

常见搭配把候选带偏

“摸了没”在中文的日常组合里出现频率不低，概率上更顺；而“抹了蜜”需要先还原成正确的字，再匹配俗语，链路更长。

单次调用只是一个采样

讨论中有回复提到，换一次运行，模型的思考过程中确实浮现过“蜜”的猜测，但最终没有采纳。这说明信息被激活过，只是没走到输出层。用一次结果给模型判死刑，并不严谨。

语感上的“暧昧”让它更保守

这类读起来像调情的句子，模型往往会额外加一句“注意场合”。这种谨慎是好事，但也会稀释它直接给出答案的意愿。

想测，就把测试做扎实

• 先说清测什么：是考错别字纠错、考谐音推理，还是考网络梗的记忆？三者难度完全不同，混在一起测，结论没法用。
• 多次运行看命中率：同一个提示跑 5–20 次，统计出现过几次正解，而不是跑一次就下判断。带推理过程的模型尤其如此。
• 控制采样参数：温度偏低时输出更保守、更爱给通用解释；适度调高能增加候选多样性。对比时把参数固定，否则结果无法横向比较。
• 给上下文：把原句所在的那段话一起提供，命中率通常会上一个台阶。
• 做三组对照：同一句话分别以原样、标准拼音、正确汉字三种形式提问，就能看出模型卡在哪一层——是音转、是谐音匹配，还是俗语知识。
• 保留原始输出：把每次的完整回答存下来，事后才能区分“没想过”和“想过但没敢说”。

一个更好用的提问模板

把“识别”和“解释”拆成两步，比一步到位更容易出正解：

下面这句话是中文网络语境里的谐音加错别字写法，请分三步回答：
1) 逐字给出可能的读音（用拼音表示）；
2) 列出所有可能对应的中文词或常见固定说法；
3) 结合“网络调侃、形容人说话甜、会哄人”的语境，
   选出最可能的一个，并说明为什么排除其他候选。

句子：小嘴 more 了 mee

如果要做几十上百次的批量对比，需要一台长时间在线、不会中途休眠断连的机器。用本地电脑跑一整夜容易被打断，把脚本放到长期在线的远程环境里定时执行、把每次输出落盘，是比较省事的做法（可选）。

两种立场的取舍

认为“这题不公平”的一方，理由是：人类自己也要愣一下才能反应过来，要求模型猜中，衡量不了任何实用能力。

认为“这题有意义”的一方，理由是：真实用户输入本来就充满错别字、缩写、谐音和中英混排，模型能不能从噪声里还原意图，恰恰决定了它在客服、聊天、语音转写纠错这类场景里好不好用。

取舍取决于你把模型当什么用。当知识库用，考冷僻梗价值有限；当输入理解层用，这类鲁棒性就是真需求。比较稳妥的做法是把它放进“抗噪能力”专项，而不是用单题结果给模型排名。

几个容易忽略的坑

• 梗的更新速度远快于模型语料截止时间，越新的说法越考推理而不是记忆，答不出不等于能力差。
• 同一句话换语言提问，结果可能不同，但样本量太小，不足以得出“中文比英文强”之类的结论。
• 出题人自己也要能给出唯一答案。如果连原句含义都说不清，测试就没有判分标准，别人的回答再详细也无法评判对错。
• 单次对话里的冗长解释，往往只是模型在覆盖可能性，不代表它真的“想到了但没说”。

小结

「小嘴 more 了 mee」这个例子说明的不是“模型不懂中文”，而是：当输入偏离常规写法时，模型缺的往往是上下文和押注的勇气，而不是发音知识。想得到可靠结论，就把测试拆细——固定参数、多次采样、分层对照、保留原始输出。想得到更实用的能力，就在提示里补上语境，并明确要求它先转写读音、再列候选、最后做选择。