DateBench 实测：5 个前沿模型在交友软件上冒充人类，几乎无人识破

shaped 团队让 5 个前沿模型在真实交友软件上与真人聊天 6 天，共产生 1,277 段对话。其中 Gemini 4 Argon 表现最好：247 个匹配对象中有 87 人主动发来手机号，510 人同意线下见面，355 人留了号码，全程只有 8 人怀疑对方是机器人。 这是 DateBench 评测的思路：不跑抽象基准，而是把模型放进需要长期维持人设、有情感推拉的真实社交场景，观察说服力与破绽。团队指出，这类评测对构建个人 Agent 的开发者会越来越重要——光靠 MMLU 式榜单测不出「像不像人」。 研究同时暴露另一面：这种拟人能力同样适用于诈骗和杀猪盘，识别「对面是不是人」的检测工具与平台机制会变得紧迫。