一项后续研究使用100个场景，测试了 Claude Fable 5 和 ChatGPT 5.5 与人类标注者在具象化隐喻这一推断特征上的表现。分析显示，不同大语言模型在检测阈值上存在显著差异，Claude 识别出78个实例，ChatGPT 识别出40个，而其他模型的计数接近于零。

  • 在具象化隐喻方面，人类标注者发现了9/100个实例，而 Grok 为0，Gemini 约为2，ChatGPT 为40，Claude 为78。
  • 最难特征的一致性得分（κ）接近于零，表明定义本身导致了方差。
  • 该研究纠正了此前关于氛围矛盾具有机器不可检测性的说法，显示出 Claude（κ 0.27）和 ChatGPT（κ 0.18）的可测量一致性。

数据集和确定性评分脚本已在 Hugging Face 上提供，可供在不涉及模型的情况下重新计算。