中科院軟件所等揭示：大模型模擬人類存在完美主義幻覺偏差突破

這項由中國科學院軟件研究所、中國科學院大學與快手科技聯合開展的研究，于2026年4月以預印本形式發布在arXiv平臺，論文編號為arXiv:2604.08362。研究圍繞一個核心問題展開：當今最強大的AI大語言模型，究竟能不能像真實人類一樣行動？

每個人每天都在數字世界里留下無數痕跡。早上醒來刷短視頻，中午在直播間搶購商品，傍晚搜索一條感興趣的新聞，晚上在電商平臺咨詢客服。這些行為零散卻又緊密相連，共同構成了一個人真實的數字畫像。現在，研究人員想知道，如果把這些行為序列交給大型AI模型，它能預測出下一步你會做什么嗎？它能模擬出一個"像你一樣"的人嗎？

這個問題的意義遠不止于技術好奇心。推薦系統需要預測用戶下一秒想看什么；企業需要模擬用戶行為來測試新產品；社會科學家希望用AI代替真人參與實驗。如果AI真能扮演好"人類替身"，這將極大降低研究成本，加速各行各業的創新。

然而，研究團隊發現，現有的測試基準（也就是用來評估AI能力的"考卷"）都存在一個嚴重缺陷：它們只測試AI在單一場景下的表現，比如只測購物行為，或者只測視頻瀏覽，而且大量使用人工合成的假數據。這就像只通過一道數學題來判斷一個學生的綜合素質——考卷本身就是錯的。

正因如此，研究團隊構建了一個名為OmniBehavior的全新測試基準，這是目前第一個完全基于真實用戶數據、同時覆蓋多場景、長時間跨度的人類行為模擬評估體系。數據來源于擁有超過4億日活用戶的快手平臺，囊括了200名真實用戶長達三個月的完整行為軌跡，涵蓋短視頻瀏覽、直播間互動、電商購物、廣告點擊和搜索行為五大場景，共記錄了22種不同類型的用戶動作。

研究團隊用這張"真實世界考卷"對包括Claude-4.5-Opus、GPT-5.2、Gemini-3-Flash、DeepSeek-V3、Qwen3-235B在內的一系列頂尖AI模型進行了全面評測，結果令人深思：即便是表現最好的模型，整體得分也只有44.55分（滿分100分）。更關鍵的是，研究團隊發現AI模型在模擬人類時存在一種系統性的結構偏差——它們傾向于把所有人都模擬成一個"積極友善的普通人"，而真實的人類世界遠比這復雜和混亂。

一、為什么單一場景的數據是一張"殘缺的地圖"

假設你要為一位從未見過面的朋友挑選一件生日禮物。你只有兩種信息可以參考：第一種，你知道這位朋友最近三個月在所有場合的消費記錄、瀏覽歷史、搜索關鍵詞和聊天內容；第二種，你只知道他上個月在一個電商平臺買過幾件商品。顯然，第一種信息讓你能夠勾勒出一個立體的人，而第二種只是一個模糊的輪廓。

這正是OmniBehavior研究團隊最先想驗證的問題：單一場景的數據究竟有多"殘缺"？

為了回答這個問題，研究團隊從用戶歷史中提取了他們真實點贊、收藏過的內容，并用AI分析每個內容背后對應的興趣類別和關鍵詞，最終為每位用戶繪制出興趣畫像。當只使用視頻瀏覽數據時，用戶畫像會呈現出某一種面貌；當只使用搜索數據時，又是另一種面貌。這些單場景畫像往往片面而失真，就像盲人摸象，每個人摸到的只是大象的一部分，沒有人能描述出完整的大象。

定量數據更加直白。研究人員發現，如果只看搜索行為，用戶的興趣類別覆蓋率僅為2.4%，興趣關鍵詞覆蓋率也只有0.4%。加入電商數據后，興趣類別覆蓋率跳升至14.4%，關鍵詞覆蓋率達到8.3%。再疊加廣告數據，分別達到23.6%和14.1%。加入直播數據后，覆蓋率繼續攀升至57.6%和26.2%。當五個場景的數據全部匯聚在一起，才能達到100%的完整覆蓋。換句話說，每引入一個新的場景，都會讓我們對一個用戶的了解增加約20%到30%。單獨使用任何一個場景，都只是在管中窺豹。

這一發現為后續的所有研究奠定了基礎：要真正理解和模擬一個人，你必須同時觀察他在多個生活場景中的行為，不能只盯著某一個角落。

二、一次購買背后，隱藏著長達數周的"因果鏈條"

買一部手機，真的只是"看到一款手機然后下單"這么簡單嗎？

研究團隊從數據中隨機抽取了180個高價值購買行為（比如用戶完成了一筆商品交易），然后像偵探一樣往前追溯——這筆交易背后，究竟發生了什么？

數據給出了一個令人深思的答案。超過60%的購買決策，依賴于三天以前乃至更早時候發生的行為作為觸發線索。這打破了傳統分析中"用戶在當次會話里做決定"的假設，就像你以為消費沖動是一時的念頭，實際上它已經在腦海中積累了好幾天。

更關鍵的是，81.8%的購買路徑跨越了不止一個場景。也就是說，大部分重要的消費決策，不是在單一場景內醞釀完成的，而是在多個場景之間反復穿行后才最終落地。

研究團隊在論文中呈現了一個生動的真實案例。一位用戶在9月25日通過搜索"小米發布會"開始對某款手機產生興趣。兩天后，他在直播間看到了小米17 Pro Max的新品預售，隨后又在視頻里比較了小米17 Pro與Pro Max的差價是否值得。9月30日，他又看了一個對比三款旗艦手機的視頻。10月3日，他瀏覽了手機鋼化膜評測。10月8日，他在廣告中再次看到了小米官方旗艦店，并在直播間看到了預售信息，最終在當天晚上通過電商下單購買。

這條從"搜索"到"下單"的路徑整整跨越了12天，穿越了搜索、直播、視頻、廣告、電商五個場景。如果任何一個中間步驟被切斷，都可能改變最終的購買決定。那些只記錄單一場景的數據集，相當于把這條因果鏈條攔腰斬斷，讓AI看不到完整的故事，自然也就無法做出準確的預測。

三、人工合成的"假用戶"，和真實用戶差了多遠

除了跨場景和長時序這兩個維度，OmniBehavior的研究團隊還想弄清楚另一件事：用AI生成的模擬用戶數據，和真實用戶數據之間，到底差在哪里？

研究團隊將OmniBehavior中的真實用戶數據，與LoCoMo這個知名的長期記憶模擬數據集進行了對比。LoCoMo的數據是通過AI生成的，模擬了用戶在長期對話中的興趣變化。

研究者用同樣的方法，追蹤了兩組用戶在80天內的興趣主題分布，看看它們是如何隨時間演變的。真實用戶的興趣變化就像一條蜿蜒的河流——不同的興趣主題此起彼伏，相互交織，緩慢而自然地流動，某天對動漫感興趣多一些，某周對服裝話題更關注，整體呈現出一種有機的、多維度交融的動態。

而合成用戶的興趣變化，則更像是一幅機械的折線圖。興趣會突然飆升，然后立刻斷崖式歸零，再突然出現另一個不同主題的高峰，整個模式生硬、程序化，缺乏真實人類行為中那種自然的慣性和惰性。

研究團隊用一個叫做"1減Jaccard相似度"的指標來量化這種差異——這個數字越高，說明相鄰兩天的興趣變化越大。真實用戶的平均值是0.6311，而合成用戶只有0.1698，差距接近四倍。這說明合成數據嚴重低估了真實用戶興趣的動態性和復雜性，無法反映人類那種"今天對這個著迷，明天又被另一件事吸引"的真實節奏。

四、拿最強AI來"扮演"真實用戶，成績究竟如何

有了這張基于真實數據的全面考卷，研究團隊接下來做了一件讓人期待又略感忐忑的事：讓目前最頂尖的AI模型來參加考試。

測試的設定是這樣的：給AI一份用戶檔案、一段完整的歷史行為序列，再加上當前場景的具體信息（比如正在直播的內容、正在展示的商品），然后要求AI預測這個真實用戶接下來會做什么。比如，這個用戶會點贊這條視頻嗎？會把這件商品加入購物車嗎？會在客服對話中說些什么？

研究一共設計了6000個這樣的預測任務，分布在視頻、直播、廣告、電商四大場景中，評測了11個頂尖模型，包括Claude-Opus-4.5、Claude-Sonnet-4.5、Claude-Haiku-4.5、Claude-Sonnet-4、Gemini-3-Flash、GPT-5.2、GPT-4o，以及開源的GLM-4.7、DeepSeek-V3、Kimi-K2-Instruct和Qwen3-235B。

結果怎么樣？表現最好的Claude-Opus-4.5拿到了44.55的綜合得分，大多數模型集中在32到41分之間。對于一項"扮演真實用戶"的任務來說，這個成績相當于不及格。

從具體數字來看，問題尤為突出。對于"點贊"這類最基礎的二元行為預測（用F1分數衡量，滿分100），大多數模型得分都不超過40%。在廣告場景的購買預測中，Claude-Opus-4.5的F1分數為29.98，GPT-5.2為29.32，Qwen3-235B僅有19.22。這意味著AI在預測"這個人會不會買這件商品"這件事上，正確率相當有限。

有意思的是，排名第二的并非某個知名閉源模型，而是開源模型GLM-4.7，得分41.46，超過了Claude-Sonnet-4.5的40.49和GPT-5.2的39.07。同時，DeepSeek-V3在電商場景的購買行為預測中（33.31），甚至超過了Claude-Opus-4.5（29.98）。這說明在特定細分任務上，開源模型完全有能力與頂級閉源模型一較高下。

五、更長的記憶反而幫不上忙——AI的長上下文困境

既然用戶的行為序列那么長，那么給AI提供更多歷史信息，是不是就能幫助它做出更準確的預測？

研究團隊專門針對這個問題做了實驗。他們篩選出66位歷史行為記錄超過12.8萬個token（大約是一本中等厚度小說的篇幅）的用戶，然后把提供給AI的上下文長度從16K token逐步擴展到128K token，觀察預測準確率的變化。

結果出乎意料地令人沮喪：增加上下文長度并不能穩定地提升預測準確率。在多個模型上，從16K擴展到32K會有一定提升，但繼續擴展到48K、64K甚至128K時，性能曲線開始震蕩甚至下降，并沒有隨著信息量的增加而持續改善。

這一發現和學術界此前觀察到的"迷失在中間"現象高度吻合——AI在處理超長文本時，往往會遺忘或忽視位于文本中段的信息，只有頭尾的內容能被較好地記住。換句話說，盡管現代AI模型已經能夠"閱讀"幾十萬字的文本，但它們并不真正"理解"和"記住"這些內容。

研究團隊還測試了三種常見的記憶管理策略，看能否解決這個問題。第一種是"截斷法"，只保留最近的一段歷史；第二種是"檢索增強法"（RAG），根據當前場景的相似性從歷史中檢索最相關的100條行為；第三種是"摘要法"，每當歷史積累到4000個token就壓縮總結一次。

三種方法都在Qwen3-235B上進行了測試。結果發現，摘要法的平均表現最好（24.27分），相比截斷法（21.13分）提升了約14.9%，在直播場景下的提升尤為明顯（從23.84分跳升至31.06分）。而檢索增強法的表現反而不如截斷法（20.38分，下降3.6%），在電商場景中甚至出現了明顯退步。

原因在于，檢索增強法依賴"語義相似性"來匹配歷史行為，但用戶行為之間的關聯往往是因果性的，而非字面上相似的。比如，一個月前看了一個手機評測視頻，和今天在直播間購買手機，語義相似度很低，但因果關聯很強，檢索算法無法識別這種隱性聯系。摘要法雖然能保留全局趨勢，但在壓縮過程中不可避免地會丟失細節。總體而言，這三種方法都只是權宜之計，都無法真正解決AI面對長期、復雜用戶歷史時的理解瓶頸。

六、AI眼中的"理想用戶"：一個永遠積極、禮貌、沒有個性的人

如果前面的發現還只是"AI的能力不夠強"，那么接下來的發現則觸及了一個更根本的問題：AI在模擬人類時存在一種系統性的認知扭曲。研究團隊把這種扭曲稱為"正向平均人偏差"，具體表現為三種相互關聯的現象。

第一種現象叫做"超活躍偏差"。在真實世界中，用戶對內容做出積極互動（比如點贊、收藏、加入購物車）的頻率其實非常低，通常不超過所有瀏覽行為的10%。這是人類行為的自然稀疏性——大多數時候我們只是漫無目的地刷刷刷，并不會對每條內容都點贊。

然而，所有被測試的AI模型都傾向于大幅高估用戶點贊和互動的頻率。Qwen3-235B和Gemini-3-Flash的預測結果中，積極互動率比真實人類高出40%到60%，相當于把一個"偶爾點贊"的普通用戶，錯誤地模擬成了一個"幾乎每條都點贊"的熱情粉絲。

這個問題的危害不止于數字失準。如果AI把用戶模擬得過于活躍，企業就無法從中學習到"用戶什么時候會停止互動"、"什么樣的內容會讓用戶流失"這類關鍵信號，用戶流失預警系統將完全失靈。

第二種現象叫做"烏托邦偏差"，集中體現在電商客服對話中。這個場景特別有代表性，因為用戶在尋求售后幫助時往往處于不滿甚至憤怒的情緒狀態，這正是測試AI能否模擬"負面情緒"的絕佳場合。

研究團隊讓Claude-Sonnet-4.5對真實用戶和AI模擬用戶的客服對話進行情感評分，評分從-1（極度負面）到+1（極度正面）。結果發現，真實用戶的情感分布廣泛，有相當比例的表達集中在-0.5到-1的負面區間。而所有AI模型生成的對話內容，情感分布都明顯向0和正值方向集中，極少出現強烈的負面情緒。

研究團隊進一步從五個語言風格維度對比了真實用戶和AI模擬用戶的措辭：禮貌用語的使用頻率、緩和語氣的程度、責任歸咎傾向、情緒控制程度，以及顧全對方面子的程度。AI生成的用戶發言在每一個維度上都比真實用戶更"禮貌"——它們使用更多"請問"、"麻煩"、"謝謝"這類詞匯，措辭更委婉，幾乎不會出現"騙子"、"催死我了"、"趕緊給我退款"這類真實用戶在遭遇售后問題時常見的直接、激烈表達。

這不是AI"不知道"人類有時會發脾氣，而是它被訓練成了"永遠友善"的狀態。AI的對齊訓練讓它本能地回避沖突、回避負面情緒，即便在扮演一個憤怒的消費者時，它也會不自覺地把措辭軟化成一個"理性維權者"。

第三種現象叫做"人格同質化"。這是最深層的問題。研究團隊用17個維度的行為特征（比如點贊率、分享率、購買率等）來給每位用戶畫一幅"行為畫像"，然后計算兩類距離：同一用戶前后兩段時間內行為的相似程度（內部距離），以及不同用戶之間行為畫像的差異程度（外部距離）。

對于真實用戶，內部距離遠小于外部距離，比例約為0.29。這意味著真實用戶的行為在時間上相當穩定（同一個人的行為前后差不多），但不同用戶之間的差異非常顯著（每個人都有自己獨特的行為風格）。

而AI模擬出來的不同用戶，內部距離和外部距離之間的比例普遍在0.7到0.87之間。換句話說，AI模擬的不同"用戶"之間，行為差異極小，幾乎像是同一個人在不同時間點的重復。無論AI被要求扮演一個20歲的男學生還是一個45歲的家庭主婦，它最終生成的行為特征都高度相似，都趨向于某種"平均用戶"的模板。

這種同質化的根源，可能在于AI的預訓練數據中高頻出現的是"普通用戶的普通行為"，而那些小眾的、非典型的、長尾的行為模式，在訓練中被系統性地壓制和淡化了。結果就是，無論輸入什么樣的用戶描述，AI輸出的都是一個經過平均化處理的"理想用戶形象"，而不是那個真實的、有自己怪癖和個性的具體的人。

七、OmniBehavior是怎么被造出來的

理解這項研究的發現之后，或許有人會好奇：這張測試AI的"真實世界考卷"究竟是如何制作出來的？

整個數據集的構建分為四個環節。第一步是數據收集。研究團隊從快手平臺收集了2025年9月1日到11月30日這三個月期間的真實用戶交互日志。所有原始日志按照時間戳排列，形成跨越多個場景的統一時間線。每個用戶行為都附帶豐富的內容元數據，包括視頻字幕、OCR識別出的圖面文字、ASR轉寫的音頻內容、商品描述，以及播放量、點贊數等互動統計。

第二步是數據清洗，分為行為層面和文本層面兩個維度。行為層面的清洗旨在去除"噪音"行為——比如用戶不小心觸碰屏幕導致的誤操作，或者把手機放在一邊導致的無意義播放。研究團隊通過統計方法確定了閾值：視頻觀看時長超過879秒（約14.6分鐘）的記錄被視為異常，直播停留超過9601秒（約2.7小時）的也被剔除，最終每位用戶平均去除了91條噪音記錄。文本層面的清洗則用正則表達式去掉了亂碼和口吃詞，并用Qwen2.5-72B模型進行語義校正，OCR文本壓縮了85.9%，ASR文本壓縮了5.2%，大幅提升了文本質量。

第三步是代表性用戶采樣。從數億用戶中最終只保留200名，這200人需要盡可能代表整個用戶群體的多樣性。研究團隊給每位用戶構建了一個多維特征向量，涵蓋年齡、性別等人口統計信息，交互頻率和活躍天數等活躍度指標，對不同內容類別的偏好分布，以及在五個場景中的使用頻率。隨后用K均值聚類算法把用戶分成若干個行為相近的群體，從每個群體中選出最具代表性的那一位，最終匯聚成這200人的樣本。

第四步是數據匿名化。研究團隊在本地部署了Qwen3-235B模型，識別并替換掉所有可能泄露個人身份的信息，比如姓名、電話號碼、地址等，一律用占位符代替。涉及仇恨言論、暴力等有害內容的記錄也被自動標記并剔除，最后經過人工核驗確保合規。

最終形成的數據集包含了200名用戶三個月的完整行為軌跡，平均每位用戶有8143條行為記錄，折合約3.2萬個token，序列最長的用戶超過10萬步，充分體現了真實用戶行為的長時間跨度特性。

說到底，這項研究想傳遞的核心信息其實很直白：當AI被要求扮演人類的時候，它扮演的并不是真實的人，而是它心目中人類"應該"是什么樣子。它會把每個人都塑造得更熱情、更禮貌、更像教科書里描述的理想消費者，而現實中那個會發脾氣、會無聊地刷手機、會因為各種奇怪原因買東西或不買東西的真實的人，在AI的模擬中幾乎消失不見了。

這個發現對許多依賴AI用戶模擬的應用場景有深遠影響。如果推薦系統用AI模擬的"用戶"來測試算法，它可能會發現算法效果很好，但在真實用戶身上卻表現平平，因為那些被忽視的負面反饋和非典型行為才是最有價值的信號。如果社會科學家用AI模擬的參與者來做實驗，結論可能充滿了"人人向善"的樂觀偏差。

研究團隊為這個領域提供了一張清晰的路線圖：未來的AI用戶模擬需要更好地處理跨場景的因果依賴，需要真正能理解超長行為歷史的記憶機制，更重要的是，需要一種能夠抑制"正向偏差"、主動學習長尾和負面行為的訓練方法。

這項研究本身的數據和代碼承諾在完成數據審查后公開發布，感興趣的讀者可以通過論文編號arXiv:2604.08362在arXiv平臺上找到完整原文，深入了解所有實驗細節和技術方法。

Q&A

Q1：OmniBehavior測試基準和之前的AI行為測試有什么根本區別？

A：此前的測試基準大多只覆蓋單一場景（比如只測電商購物或只測視頻瀏覽），而且很多使用人工合成的假數據。OmniBehavior是第一個完全基于真實用戶數據、同時跨越五個場景（視頻、直播、電商、廣告、搜索）、記錄三個月完整行為軌跡的評測體系。研究發現，單一場景數據會遺漏約20%到30%的用戶真實興趣，而超過80%的重要決策（比如購買行為）都跨越了多個場景。

Q2：AI模擬用戶時的"正向平均人偏差"具體會導致什么實際問題？

A：這種偏差會導致三方面的實際危害。第一，AI模擬的用戶互動率比真實用戶高40%到60%，意味著依賴AI模擬來測試推薦算法的企業會看到虛假的高互動率，無法識別用戶流失信號。第二，AI無法模擬出憤怒、抱怨的用戶，導致客服系統訓練數據失真。第三，AI把所有不同類型的用戶都模擬成相似的"平均人"，無法反映真實用戶群體中存在的個體差異，研究結論缺乏代表性。

Q3：給AI提供更長的歷史記錄，為什么反而不能幫它更好地預測用戶行為？

A：研究發現，將上下文從16K token擴展到128K token并不能穩定提升預測準確率，有時甚至會讓表現變差。這是因為現有AI在處理超長文本時會"迷失在中間"——只有開頭和結尾的內容能被較好記住，中段信息容易被忽視。同時，用戶行為之間的關聯往往是因果性的而非語義上相似的，簡單增加信息量并不能幫助AI理解這些隱性的因果關系，需要專門設計的記憶管理機制才能解決。