当人们开始问AI“我好看吗”
多模态大语言模型（能同时理解文字和图像的AI）正被越来越多人用来评估外貌。研究团队注意到这一现象，想弄清：这些模型给出的颜值判断，究竟像不像普通人的看法？
他们怎么做
研究由个人美学咨询机构QOVES的心理研究负责人Santiago Grandas领衔。团队使用“Face Research Lab London Set”标准人脸图库，包含102张正面照片，男女几乎各半，涵盖多种族背景。他们先拿到2513名人类参与者对每张脸的吸引力评分（1分=远低于平均，7分=远高于平均），再用同样量表测试GPT、Claude、Gemini和Grok四个模型。为模拟普通用户，模型使用默认设置，关闭联网搜索和高级推理，并多次运行取稳定平均值。
会排序，但打分偏高
AI在“相对排序”上表现惊人：如果人类认为A比B好看，AI几乎总能给出同样顺序，甚至比单个人类评分者更接近人类平均排序。但绝对分数差距明显：人类对所有脸的平均评分为3.02，AI合并平均分为4.71。AI还很少使用低分段——没有任何模型给102张脸打过最低分1分，只有Grok偶尔给出最高分7分。人类则用满了整个1-7分区间。Grok是模型中打分最高的，平均5.21，与其他模型一致性最弱，与人类一致性也最差。GPT、Claude、Gemini三者高度一致。
人类偏见，AI部分继承
年龄线索上，人类和AI都倾向给更年长的脸较低分。但其他偏见没被完整复制：人类给男性面孔的分数比女性面孔低约0.65分，AI只低0.1-0.2分；AI在不同族裔间的评分也比人类样本更平均。研究者还发现，模型评分与女性评分者、以及被两性吸引的评分者略更一致。
为什么AI会“嘴甜”
研究者提出两种解释：一是模型在训练和微调中被塑造成更友善、更符合社会期许，即“社会赞许偏差”或“AI谄媚”（sycophancy），倾向于给出正面评价；二是模型内部对吸引力的感知可能和人类相似，但输出时选择了更好看的数字。QOVES首席科学家Macken Murphy说，机器心理学是新领域，很难清晰思考，“这些工具似乎比人更容易在脸上看到美——如果‘感知’这个词合适的话”。
现实影响与局限
Grandas提到，初步研究显示AI也存在“吸引力光环效应”：对更漂亮的脸，会在无关特质上也给更高评价。他好奇这是否会影响AI招聘工具或社交媒体算法。Murphy补充，公司可能善意地用AI去除招聘中的人类偏见，却可能进一步固化“颜值特权”。
需要注意，该研究以预印本形式发表于arXiv，尚未经过同行评审。它提醒我们：AI能大致复现人类对美丑的相对共识，但它的绝对打分尺度与人类不同，不宜把AI的分数当成客观颜值标准。