news 2026/4/27 19:17:27

刷屏的SBTI,底层算法有点东西…

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
刷屏的SBTI,底层算法有点东西…
梦瑶 发自 凹非寺
量子位 | 公众号 QbitAI

刷屏了,我的朋友圈被彻底刷屏了。(救命啊.jpg)

什么MBTI,什么这TJ人格那FP人格,只能说——忒!过!时!了!

就在这两天,一个名为「SBTI」的人格测试,从各大社交网站上爆火,甚至围攻了我的朋友圈。

好嘛,从各种BOSS、FAKE、POOR的人格截图,到全套的人格图鉴,可以说铺天盖地。

甚至,还有网友连夜赶制出了SBTI人格解析笔记。

我把此文称之为——《赛博人格教科书》。

而这风靡全网、火之不能再火的SBTI测试,正是搓自B站UP主Q肉儿串儿之手。

当时想搞这么个测试网页的初衷嘛,也非常之离谱,那就是——为了劝朋友戒酒。

(不戒酒是吧?那我就给你捏出个酒鬼人格!)

当然,疯玩之外,也有不少网友对测试本身展开了讨论,不少网友觉得是Vibe Coding出来的。

AI??Vibe Coding??你要是说这个,我可就不困了。

甭管到底啥TI,咱反手就一个——

直接狠狠扒一扒这里头的算法逻辑到底咋回事儿!!!

火爆全网的SBTI,背后到底有啥算法名堂?

咱们先来聊聊大家普遍比较关心的一个问题——这个火爆全网的SBTI,到底是不是AI做的。

我用GLM-5.1分析源码得出的结论是:

大概率是「人工主导+AI辅助」的协作产物。

换句话说就是,代码、文案部分可能是GPT-4或Claude之类的工具帮忙写的,但整体创意,应该还是由人来操刀的…

如果大家这两天玩了这个测试,其实从SBTI的20多种人格的文案风格中不难看出来——

那文风,可以说是《高度统一》。

举个栗子,像不少人格文案介绍的第一句上来就说:恭喜你,你是稀有/珍稀物种。(doge)

不仅如此,这套人格属性文案的修辞手法密度可以说是《极高》…

排比、比喻、转折等各种LLM最常用的修辞手法层出不穷,比如最直观的“你不是、你压根”“不一定、但可能”等等。

好熟悉,我好熟悉,这不就是我GPT和Gemini最最最擅长的风格嘛!!(gpt:让我狠狠接住你)

emm…我把着这套行文逻辑概括为——

开头强调稀有感+幽默夸张比喻+调侃口吻+个性化强调,让不同人格描述看起来风格一致又有趣??

(你别说,我还就吃这一套)

当然了,整个测试搭建过程中人手搓出来的部分当然肯定也有。

像ATM-er、Dior-s、THAN-K、MALO这些人格命名,如此之谐音梗,如此之生动形象,说实话,AI自己很难写的出来…

感觉吧,更像是靠聪明的人脑灵机一动策划的??(大家伙觉得呢)

此外在技术栈上,整个测试的技术架构也比较简单——

网页就是单文件操作DOM,路由靠单页hash或screen切换。

图片也都是外部链接存储,所以目测整个项目是零依赖的「纯原生前端项目」。

接下来问题又来了。

通过简简单单的31道生活问答题,就能精准拿捏住一批又一批网友,那这背后的「算法逻辑」也自然不简单。

对此呢,我们也小小地研究了那么一下下(仅供参考)——

其实SBTI的算法逻辑的不是直接测试人格类型,而是给你15个小标签,然后用数学距离找跟你「最像的人设」。

具体来说,我们可以把这套人格算法逻辑拆成答题拆维度 、分数归档、模板匹配三个维度:

  • 第一步:答题拆维度——用户答题后,系统把答案拆成15个小维度,每个维度算一个小分数。

  • 第二步:分数归档——把每个维度的小分数压缩成低/中/高三档,先把用户进行粗略分类。

  • 第三步:模板匹配——用这组15维“人格向量”去和预设模板比对,谁最像谁就当结果输出~

听上去有亿点点让人挠头是吧,没关系,我们直接展开详细说说!!!

简单说就是,这个测试把不同人格拆成了包括自我 (S)、情感 (E)、态度 (A)、驱力 (Ac)、社交 (So)在内的5个模型。

而每个模型下面又分成3个小维度,比如下面图片中的S1、S2、S3这些子维度,所以算在一起一共是15个细分维度。

此外,每个维度只有2道题,每题3个选项。

选项分值分别对应1、2、3分,这么算下来的话,一个维度最后的原始总分范围是2到6分的样子~

这样做的好处是,每个人的回答可以更精准地映射到不同人格特质上,不会把复杂的人格信息搅成一锅粥!!!

模型划分我们搞明白了,那下一步就是先把答题结果变具体的成「分数」!

我们可以设想一下,假如某一个维度有两道题,我们第一题得了2分,第二题得了3分,那这个维度的总分就是5分。

所以这一步的意义,相当于把每个维度先做一个小结算~

有了具体的分数后,下一步系统要做的,就是给「分值」进行归档处理。

事实上系统并不保留我们原始的2、3、4、5、6 这些具体分数,而是统一压成三个等级档位——

比如总分是2到3,那就记为L(低档);总分为4,就记为M(中档);总分5到6,记为H(高档)。

(就像咱们上学的时候老师在咱试卷上写的A+,A、B、C成绩一样~)

接下来是关键一步。

系统会把我们的答题结果整理成一个15维向量,也就是把每个维度的等级(L、M、H)排成一串标签。

比如我们可以把它想成这样:H,M,H,L,M…

为了方便计算,系统会把它们转换成数字:L=1,M=2,H=3,这样你的向量就变成了类似:3,2,3,1,2…

接下来,系统会拿你的这组15维向量,去和预设好的25种常规人格模板逐一比对——

比对方式也非常很直接了当,那就是就是:一维一维地看差多少。

具体来说,每个维度都会计算你和模板之间的差值,再把15个维度的差值全部加起来,得到一个总差距。

此外系统还会额外统计一项数据:有多少个维度和模板是完全一样的,也就是「精确命中数」。

最终的人格评判标准就是——

系统会先看总差最小的,再看完全匹配最多的,最后看相似度最高的。

而排在第一位的那个人格模板,就是系统认定和你最接近的人格结果!!!

此外颇有意味的是,这套算法后面似乎还接了一个「特殊判定」机制。

比如喝酒隐藏题被触发时,会直接进入特殊人格;再比如最高相似度低于60%,系统会给出一个兜底人格…

(言外之意:你就测吧,别管像不像,肯定会有一个属于你的人格哈)

OMT

我只能说,这个世界真的变化得太快了。

我测MBTI的速度,永远追不上MBTI本身的更新速度,也赶不上网友们整活儿的速度。

就在我上午沉迷小某书,狂刷关于SBTI的人格详解的时候,我被眼前的一幕真·震惊到了——

有大神网友@Ailln AI,vibe出来了个「MBAI」版的测试题…

按博主的说法是,MBAI是一个根据个人「AI使用习惯」构建的4维人格模型。

测的不是现实社交,而是我们在AI里的生存状态。

比如我们是追求精准提示词的结构派架构师,还是随性对话的自然派意识流等等~

(咋整,我对GPT就像一位严厉的父亲这事儿要藏不住了…)

话说又回来,不知道大家还记不记得MBTI刚火的时候,之所以那么火,很大一部分原因是:

它第一次把人格做成可量化、可标签化的形式,让每个人都能动手测一测、对照自己的性格。

不仅如此,它甚至还在GitHub上带火一些xxTI字辈儿的开源项目,给大家小小科普一下,目前单MBTI topic底下,就有172个公开仓库…


(就算是mbti也逃不掉开源!!)

而至于SBTI——

其实大家也看得出来,无论是在题目设置还是人格名称等维度上,SBTI本身更像是「整活抽象」形式更强的娱乐测试。

但不管咋说,大家也确实非常爱玩,也是给日常生活添点小乐趣吧。

现在的我,满脑子只想一件事:

测不完啊,根本测不完…

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法!

🔹 谁会代表2026年的AI?

龙虾爆火,带动一波Agent与衍生产品浪潮。
但真正值得长期关注的AI公司和产品,或许不止于此。

如果你正在做,或见证着这些变化,欢迎申报。
让更多人看见你。👉 https://wj.qq.com/s2/25829730/09xz/

一键关注 👇 点亮星标

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/17 21:51:24

分布式监控实战:Zabbix自定义模板构建与告警集成

1. 为什么需要自定义Zabbix监控模板 在分布式系统中,每个服务都可能产生独特的业务指标。比如电商系统需要监控订单创建成功率,支付系统需要关注交易延迟,而物流系统则要跟踪包裹状态变更频率。这些业务指标往往无法用Zabbix自带的通用模板来…

作者头像 李华
网站建设 2026/4/15 7:51:58

AgentCPM研报助手部署教程:Docker一键启动,无需复杂配置

AgentCPM研报助手部署教程:Docker一键启动,无需复杂配置 1. 为什么选择本地研报助手? 在信息爆炸的时代,专业研究报告的撰写面临三大痛点: 效率瓶颈:从资料收集到框架搭建,传统方式耗时耗力隐…

作者头像 李华
网站建设 2026/4/19 0:31:29

SPIRAN ART SUMMONER图像生成软件测试全流程指南

SPIRAN ART SUMMONER图像生成软件测试全流程指南 为AI图像生成软件构建完整的质量保障体系 1. 测试环境搭建与准备 在开始测试SPIRAN ART SUMMONER之前,需要先搭建合适的测试环境。这个环节虽然基础,但直接影响后续所有测试活动的准确性和效率。 测试环…

作者头像 李华
网站建设 2026/4/19 14:00:57

Anything-v5+Leather-Dress LoRA联合训练:Pixel Fashion Atelier效果增强

Anything-v5Leather-Dress LoRA联合训练:Pixel Fashion Atelier效果增强 1. 项目概述 像素时装锻造坊(Pixel Fashion Atelier)是一款基于Stable Diffusion与Anything-v5的图像生成工作站。与传统AI工具不同,它采用了复古日系RPG…

作者头像 李华
网站建设 2026/4/17 22:24:27

从零到一:在Axure中构建你的Quick UI设计系统

1. 为什么要在Axure中构建Quick UI设计系统 第一次接触Quick UI组件库时,你可能会有疑问:为什么非要把这套组件库整合进Axure?直接使用现成的UI工具不就好了吗?这个问题我也思考过很久,直到去年带队做一个跨部门协作的…

作者头像 李华
网站建设 2026/4/15 21:27:31

使用MATLAB调用Youtu-Parsing模型进行学术文档图像分析

使用MATLAB调用Youtu-Parsing模型进行学术文档图像分析 1. 引言 如果你经常需要阅读学术论文,尤其是那些包含大量图表和公式的工程、物理或数学论文,一定有过这样的烦恼:看到一张关键的实验数据图,想自己复现一下结果&#xff0…

作者头像 李华