企业官网建设流程全解析

1. 当我们在问"前沿AI模型有多好笑"时，到底在问什么

第一次看到"How funny are the frontier AI models?"这个标题，我脑子里冒出来的不是学术评测那套东西，而是一个很具体的场景：深夜加班，你随手丢给模型一个冷笑话让它接梗，结果它一本正经地给你分析这个笑话的结构、笑点机制、文化背景，最后还补一句"希望这个解释对你有帮助"。你笑了，但不是因为笑话好笑，而是因为它太不好笑了。

这就是问题有意思的地方。幽默感这件事，长期被认为是人类智能里最难被复刻的部分之一。它需要语境理解、常识推理、时机把握、意外性构造，还得踩在"冒犯"和"得体"之间那条极细的线上。所以当有人认真去问"前沿AI模型到底有多好笑"的时候，本质上是在问一个更深的问题：这些大模型在语义理解、常识推理、创造性生成这几个维度上，究竟走到了哪一步。

我自己做模型评测和AI应用开发有些年头了，测过不少模型在创意写作、对话、角色扮演上的表现。说实话，幽默这个切入点特别刁钻，因为它几乎没法靠"背答案"蒙混过关。你让模型讲个笑话，它能从训练数据里捞出一堆现成的；但你让它针对一个具体情境即兴抖个包袱，或者判断两个笑话哪个更好笑、为什么，这时候模型的真实水平就藏不住了。

这篇东西我想聊的不是"哪个模型最好笑"这种排行榜式的结论，而是把"AI幽默"当成一个观察窗口，拆开来看：前沿模型在幽默这件事上到底卡在哪、它们的"笑点"是怎么产生的、我们怎么系统地去测它、以及作为开发者能从里面读出什么关于模型能力的信号。如果你在做AI应用、做模型选型、或者单纯对LLM的能力边界好奇，这个话题能给你不少反直觉的发现。

先说一个我自己的结论，后面会展开：前沿模型在"识别幽默"上已经相当能打，但在"创造幽默"上依然有明显的天花板，而且这个天花板不是靠堆参数就能捅破的。原因藏在训练目标和幽默本身的机制冲突里。

2. 幽默为什么是检验大模型的"照妖镜"

2.1 幽默的三层结构，恰好对应模型的三块短板

要理解AI为什么讲不好笑话，得先拆解幽默本身。我习惯把幽默分成三层：

• 表层：语言游戏。谐音、双关、押韵、文字歧义。这一层模型其实玩得不错，因为本质是模式匹配，训练数据里有海量样本。
• 中层：意外与反转。笑话的核心机制是"铺垫—误导—反转"，先把你引向一个预期，然后突然拐弯。这需要模型理解"预期"是什么，也就是对人类心理模型的建模。
• 深层：语境与共识。很多笑话依赖共享的文化背景、时事、圈层黑话。脱离语境，笑话就死了。

这三层里，第一层模型能靠统计规律搞定，第二层开始吃力，第三层基本靠运气。原因很直接：大模型的训练目标是"预测下一个最可能的token"，而幽默的本质恰恰是"给出一个不太可能但合理的token"。这两个目标在方向上就是拧着的。

我做过一个很朴素的实验：让同一个模型分别完成"补全一个正常句子"和"补全一个笑话的punchline"。前者它稳得一批，后者它要么给出最平庸的答案（因为那是概率最高的），要么给出一个逻辑上通但完全不好笑的答案。这不是模型笨，是它的优化目标决定了它天生倾向于"安全且可预测"。

2.2 "不好笑"背后是安全对齐的副作用

还有一个更隐蔽的原因：安全对齐。前沿模型几乎都经过大量的人类反馈微调（RLHF之类），而人类标注员在打分时，会系统性地惩罚那些"冒犯、边缘、出格"的输出。问题是，真正好笑的幽默，很大一部分恰恰踩在边界上——自嘲、黑色幽默、讽刺、夸张的刻板印象反转。

模型学到的规律是：越安全越保险，越保险越平庸。于是它生成的笑话往往是那种"人畜无害但毫无杀伤力"的类型，比如"为什么程序员分不清万圣节和圣诞节？因为Oct 31等于Dec 25"。这种笑话你第一次听可能嘴角动一下，但它属于"数据库笑话"，不是"即兴幽默"。

我个人的观察是：模型被对齐得越严格，它在幽默上的表现往往越保守。这不是说对齐不好，而是说幽默能力是安全对齐的一个"隐性代价"，很少有人专门去量化它。这也是为什么"前沿AI模型有多好笑"这个问题值得认真对待——它其实在测一个被主流评测忽略的维度。

2.3 幽默评测和常规benchmark的根本区别

常规的模型评测，比如数学、代码、知识问答，都有相对明确的正确答案。幽默没有。你没法用准确率去衡量一个笑话好不好笑，因为：

• 好笑是主观的，因人而异、因文化而异；
• 好笑是情境依赖的，同一个笑话在不同场合效果天差地别；
• 好笑是多维的，涉及意外性、相关性、时机、表达方式。

这意味着测AI幽默，不能照搬传统评测范式。你得设计一套能捕捉"主观质量"的方法，比如成对比较、人类偏好打分、或者用另一个模型当裁判（LLM-as-judge）。这套方法论本身，就是这篇内容想重点讲的东西之一。

3. 我实际用来测"AI幽默"的几套方法

3.1 从"讲笑话"到"接梗"：任务设计的梯度

直接让模型"讲个笑话"是最没信息量的测法，因为答案太开放，你没法比较。我一般会设计一个有梯度的任务序列，从易到难：

1. 复述与识别：给一个笑话，问它"笑点在哪"。测的是理解能力。
2. 判断优劣：给两个笑话，问哪个更好笑、为什么。测的是品味和推理。
3. 情境接梗：给一个铺垫，让它补punchline。测的是创造性生成。
4. 即兴创作：给一个主题或约束（比如"关于加班，但不能提累"），让它原创。测的是综合能力。
5. 互动幽默：多轮对话里保持幽默一致性，比如扮演一个毒舌角色。测的是长程一致性。

这个梯度很有用，因为你会发现模型的能力是断崖式下降的：前两个任务它表现惊艳，第三个开始拉胯，第四个基本靠模板，第五个经常崩人设。这个断崖的位置，就是当前模型幽默能力的真实边界。

3.2 用成对比较替代绝对打分

绝对打分（"这个笑话1到10分打几分"）在不同人之间没有可比性，因为每个人的打分尺度不一样。我更喜欢成对比较：给评测者两个模型生成的笑话，问"哪个更好笑"，然后统计胜率。

这个方法的好处是，它把主观判断转化成了相对排序，噪声小很多。具体操作上，我会：

• 准备一批固定的"铺垫"（setup），让不同模型补punchline；
• 把生成结果两两配对，随机打乱左右顺序（消除位置偏见）；
• 让多个评测者独立判断，取多数票；
• 用Elo或者Bradley-Terry模型算出每个模型的"幽默分"。

这套方法我在做创意类模型选型时反复用过，结论相当稳定：模型之间的幽默差距，比它们在常规benchmark上的差距大得多。也就是说，两个模型在数学题上可能只差几个百分点，但在幽默上可能差出一个身位。

3.3 LLM-as-judge：用模型评模型，但要防坑

人工评测贵且慢，所以很多人会用另一个模型当裁判。这招能用，但坑不少。我踩过的几个：

• 位置偏见：裁判模型倾向于选第一个或第二个，得靠交换顺序取平均来消除。
• 长度偏见：更长的回答往往得分更高，哪怕它并不更好笑。得控制长度或者显式提示裁判忽略长度。
• 自我偏好：模型倾向于给自己或同系列模型打高分。所以裁判模型最好和被测模型不同源。
• 安全偏见：裁判模型可能因为"这个笑话有点冒犯"而扣分，但冒犯性恰恰可能是笑点来源。

我的做法是：用LLM-as-judge做初筛，用人工做终审。而且给裁判的prompt要写得非常具体，明确告诉它"评估的是幽默程度，不是礼貌程度或正确性"。下面是一个我常用的裁判prompt骨架：

你是一个幽默评测专家。下面有两个针对同一情境生成的笑话，A和B。 请判断哪个更好笑，评判维度包括：意外性、与情境的相关性、表达的简洁度。 不要因为笑话是否礼貌、是否政治正确而扣分，只关注幽默效果。 输出格式：先给结论（A更好/B更好/平局），再用一句话说明理由。

3.4 一个可复现的最小评测脚本

如果你想自己跑一遍，不需要多复杂的框架。核心逻辑就是：准备setup、调模型生成、配对、评判、统计。用Python写个最小版本大概是这样：

import random from collections import defaultdict # 假设 setups 是一批笑话铺垫 # models 是你要对比的模型调用函数字典 def run_eval(setups, models, judge): wins = defaultdict(int) games = defaultdict(int) for setup in setups: outputs = {name: fn(setup) for name, fn in models.items()} names = list(outputs.keys()) for i in range(len(names)): for j in range(i + 1, len(names)): a, b = names[i], names[j] # 随机交换左右顺序，消除位置偏见 if random.random() < 0.5: left, right = a, b else: left, right = b, a result = judge(setup, outputs[left], outputs[right]) games[a] += 1 games[b] += 1 if result == "left": wins[left] += 1 elif result == "right": wins[right] += 1 # 计算胜率 return {m: wins[m] / games[m] for m in models}

这个脚本很粗糙，但骨架是对的。真正要跑出可信结论，setups的数量得够（我一般至少准备50到100个），judge的prompt得反复调，最好再叠加人工校验。

提示：评测幽默时，样本量比评测数学题要更大。因为幽默的方差极高，小样本很容易得出误导性结论。我一般会跑到每个模型至少100次生成，才敢下判断。

4. 实测下来，前沿模型在幽默上的真实表现

4.1 识别能力：已经超过普通人平均水平

先说好消息。在"识别幽默"这个任务上，前沿模型的表现让我挺意外的。给它一个笑话问笑点在哪，它往往能拆得比大多数人都清楚——铺垫怎么设的、预期怎么被误导的、反转点在哪、为什么这个反转成立。这种元认知层面的分析能力，其实相当强。

我甚至觉得，模型在"解释笑话"这件事上，已经可以当老师了。你给它一个你没看懂的笑话，它能给你讲明白。这在跨文化幽默、圈层黑话的理解上尤其有用。原因也好理解：解释笑话本质是个推理任务，而推理正是大模型的强项。

但这里有个反讽：能解释笑话，不代表能讲笑话。就像一个美食评论家未必是好厨师。理解幽默的机制和创造幽默，是两种不同的能力，模型在前者上很强，在后者上很弱。

4.2 生成能力：模板化严重，意外性不足

到了生成环节，问题就暴露了。我总结模型生成的笑话有几个典型毛病：

• 套路化：翻来覆去就那几个梗，程序员、AI、猫、老板，而且结构高度雷同。
• 解释过度：讲完笑话还要自己解释一遍，生怕你没懂，幽默感瞬间归零。
• 安全到无聊：不敢碰任何有棱角的话题，结果就是温吞水。
• 逻辑正确但不好笑：它给出的punchline往往"说得通"，但正因为说得通，就没有意外感了。

我印象最深的一次，是让模型针对"周一早上"这个主题讲个笑话。它给的是："周一早上就像一场没有彩排的演出，你永远不知道会发生什么。"这话没错，甚至有点文艺，但它不是笑话，它是一句鸡汤。模型把"幽默"和"深刻"搞混了。

4.3 一个反直觉发现：模型"自评幽默"的能力也很差

还有个有意思的现象：模型判断自己讲的笑话好不好笑，准确率很低。你让它给自己刚生成的笑话打分，它经常给一个偏高的分数，然后配上一段"这个笑话巧妙地运用了反转"之类的自我表扬。但实际上那个笑话并不好笑。

这说明模型缺乏对自身输出质量的真实校准。它知道"什么样的文本看起来像笑话"，但不知道"什么样的文本真的好笑"。这个gap，恰恰是幽默最难被自动化的地方。

4.4 不同模型之间的差异：风格比水平更明显

我测过的主流前沿模型，在幽默上的水平差距其实没有想象中大，但风格差异非常明显。有的偏冷幽默、有的偏话痨式、有的喜欢玩文字游戏、有的擅长自嘲。这个差异更多来自训练数据和对齐策略的不同，而不是纯粹的"能力高低"。

所以选模型做幽默相关应用时，我的建议是：别只看谁"更好笑"，要看谁的幽默风格和你的场景匹配。做一个客服机器人，你需要的是温和的、化解尴尬的幽默；做一个娱乐向的角色扮演，你需要的是更放得开、更有棱角的风格。这俩需求指向的模型可能完全不同。

5. 为什么"让AI变好笑"这么难：机制层面的拆解

5.1 训练目标与幽默本质的结构性冲突

前面提过一句，这里展开说。大模型的核心训练目标是最大化下一个token的似然，也就是"预测最可能出现的词"。而幽默的机制是建立预期然后打破它——你要先让读者以为你要说A，然后你说B。

问题在于，B之所以好笑，恰恰因为它是"不太可能"的。但模型被训练成输出"最可能"的。这两个目标直接对冲。模型要想讲好笑话，得学会"故意输出低概率但合理的token"，而这需要它先理解"预期是什么"，再主动偏离。这个能力，当前的训练范式并不天然支持。

有人会说，那用温度参数调高不就行了？让采样更随机。我试过，效果有限。温度调高确实增加了意外性，但同时也增加了无意义。你会得到一堆语法混乱、逻辑断裂的输出，那不是幽默，那是噪声。幽默需要的是"可控的意外"，而不是"随机的混乱"。

5.2 幽默依赖的"共识语境"，模型很难真正拥有

很多笑话是圈层性的。程序员的笑话、医生的笑话、某个地区的笑话，都依赖共享的背景知识。模型虽然训练数据里啥都有，但它对"共识"的把握是统计性的，不是体验性的。

举个具体的：一个关于"deadline"的笑话，在互联网行业里大家都懂那种压迫感，所以笑点成立。模型知道"deadline"和"压力"经常共现，但它没有真正"体验"过deadline，所以它生成的笑话往往是描述性的（"deadline就像一座大山"），而不是共鸣性的（那种让你会心一笑的精准吐槽）。

这个差距，本质上是具身经验的缺失。幽默很多时候来自共同的经历和感受，而模型没有经历，只有数据。

5.3 安全对齐的"隐性税"

前面也提了，这里再强调一下它的机制。RLHF这类对齐方法，本质是用人类偏好去塑造模型行为。而人类标注员在打分时，会系统性地：

• 惩罚冒犯性内容；
• 偏好礼貌、无害、正面的表达；
• 对边缘、讽刺、黑色幽默给出较低分。

模型学到的就是"安全即高分"。但幽默的很大一部分能量，恰恰来自越界——自嘲是越界（贬低自己）、讽刺是越界（贬低权威）、夸张是越界（扭曲现实）。当模型被训练得不敢越任何界，它的幽默就失去了锋芒。

我个人的判断是：这不是一个能靠"多喂笑话数据"解决的问题，而是训练目标和幽默本质之间的深层张力。要真正让AI变好笑，可能需要在训练范式上做文章，比如专门为创意任务设计不同的对齐策略，而不是用一套通用的安全标准去约束所有输出。

6. 把"AI幽默"用到实际项目里的经验

6.1 别指望模型原创，让它做"幽默增强"

如果你在做产品，想加幽默元素，我的第一条建议是：别让模型从零创作笑话，让它做改写和增强。你自己写好一个笑话的骨架，让模型去润色、调整语气、生成几个变体，然后你挑最好的。这样既利用了模型的生成能力，又保留了人类的品味判断。

我做过一个聊天机器人的项目，需要它偶尔抖个机灵。直接让模型自由发挥，效果惨不忍睹。后来改成"给模型一个方向，让它生成5个候选，人工选一个"，体验立刻上来了。模型是好的候选生成器，但不是好的最终决策者。

6.2 用few-shot示例"教"模型你的幽默风格

模型默认的幽默风格是"通用安全型"，但你可以用few-shot把它往你想要的方向带。给几个你认可的幽默示例，模型就会模仿那个风格。这招在角色扮演类应用里特别管用。

关键是示例要精选。我一般会放3到5个高质量示例，覆盖不同的幽默类型（自嘲、反转、夸张），并且明确标注"这是好的幽默"。示例的质量直接决定输出的质量，别随便凑数。

6.3 给幽默"留白"，别让模型解释自己

一个很实用的技巧：在prompt里明确禁止模型解释自己的笑话。模型有个坏习惯，讲完笑话怕你不懂，非要补一句解释，幽默感全没了。你可以在系统提示里写"讲完笑话直接结束，不要解释，不要问'你get到了吗'"。这个小改动，对幽默体验的提升立竿见影。

6.4 接受"AI幽默"的定位：辅助而非替代

最后说个心态问题。我见过不少人期待模型能像脱口秀演员一样即兴发挥，然后失望。我的看法是：当前阶段的AI幽默，定位应该是"辅助工具"而不是"幽默主体"。它能帮你生成素材、提供灵感、做A/B测试的候选，但真正的好笑，还是得靠人的品味去把关。

这不是悲观，而是务实。知道边界在哪，才能把工具用在刀刃上。

7. 几个我踩过的坑和对应的解法

做AI幽默相关的东西，坑不少，挑几个印象深的说说。

坑一：以为温度调高就能变好笑。前面提过，结果是噪声变多。解法是保持中等温度，靠prompt和示例来引导，而不是靠随机性。

坑二：用常规benchmark的思路测幽默。一开始我想用准确率那套，结果发现根本没法定义"正确答案"。后来转向成对比较和人类偏好，才跑出有意义的结论。

坑三：忽略文化差异。我拿一批英文笑话测中文模型，效果很差，反过来也一样。幽默高度依赖语言和文化，跨语言评测基本没有参考价值。测的时候一定要用目标语言和目标文化的样本。

坑四：裁判模型太"正经"。用LLM当裁判时，如果prompt没写清楚，它会因为笑话"不够礼貌"而扣分。必须显式告诉它"只评幽默，不评礼貌"。

坑五：样本量太小就下结论。幽默方差极大，我一开始用20个样本测，结论反复横跳。后来加到100个以上，结果才稳定下来。

这些坑的共同点是：它们都源于把幽默当成一个"普通任务"来处理。幽默的特殊性——主观、情境依赖、文化绑定、方差大——决定了测它、用它都得用特殊的方法。这也是为什么"前沿AI模型有多好笑"这个问题，虽然听起来像个玩笑，实际上是个相当严肃、相当有技术含量的评测命题。

8. 从幽默这个切口，能读出模型的什么

聊到这儿，我想把视角拉高一点。测AI幽默，表面上是在测一个娱乐属性，实际上它是个综合能力的探针。一个模型要讲好笑话，得同时具备：语义理解、常识推理、心理建模、创造性生成、语境把握、以及恰到好处的"越界"能力。这些能力里任何一环掉链子，幽默就崩了。

所以我的经验是：当你想快速感受一个模型的"智能质感"时，让它讲个笑话、接个梗，比让它做数学题更能暴露它的真实水平。数学题能靠模式匹配刷分，幽默很难。它逼着模型展示它到底"懂不懂人"。

前沿模型在幽默上的表现，给我的整体感觉是：它们已经能理解幽默，但还不会创造幽默；它们能分析笑点，但抓不住笑点的灵魂。这个gap，短期内我看不到被填平的可能，因为它触及的是当前训练范式的根本限制。

但这恰恰是有意思的地方。幽默作为人类智能里最"软"、最难量化的部分，它的自动化难度，某种程度上标记了AI能力的真实边界。盯着这条边界看，比盯着那些刷榜的数字，更能看清我们到底走到了哪一步。

如果你也在做相关的东西，我的建议是：别急着追求"让AI变好笑"，先老老实实把评测方法搭起来，把边界摸清楚。知道模型在哪卡住、为什么卡住，比盲目调参有用得多。幽默这件事，急不来，模型急不来，我们也急不来。