LikeBench: 7-мерный фреймворк оценки приятности ответов LLM

Парадокс: Модель запомнила в 2.5 раза больше фактов о тебе, но общаться с ней неприятнее на 28%. DeepSeek R1 с памятью 86% (17 фактов) обошёл Qwen3 с памятью 93% (43 факта) по приятности взаимодействия — потому что память это данные, а приятность это попадание в стиль общения. Фреймворк LikeBench позволяет диагностировать конкретное измерение где ответ LLM промахнулся — вместо расплывчатого "что-то не то" видишь точную проблему: слишком формально? переобъяснил? промазал с длиной? Исследование разложило приятность на 7 осей оценки: эмоциональная адаптация, подбор формальности, калибровка глубины, понимание отсылок, подходящая длина, уместность юмора, вспоминание деталей. Каждая ось оценивается 1-5 баллов.