💬 NLP

HumanLLM: Towards Personalized Understanding and Simulation of Human Nature

受限于标准大语言模型在捕捉个体上下文方面的局限性，本文介绍了 HumanLLM，这是一个基于大规模真实世界用户日志构成的“认知基因组数据集”训练而成的基础模型，该模型显著提升了对人类行为、思想和写作风格的个性化模拟与预测能力。

原作者： Yuxuan Lei, Tianfu Wang, Jianxun Lian, Zhengyu Hu, Defu Lian, Xing Xie

发布于 2026-01-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuxuan Lei, Tianfu Wang, Jianxun Lian, Zhengyu Hu, Defu Lian, Xing Xie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：从“通用知识”到“深度共情”

想象你有一个才华横溢的学生，他读遍了巨大图书馆里的每一本书。这个学生（标准的语言大模型，或称 LLM）非常擅长编写代码、解决数学问题和总结新闻。他对世界上的各种事物都有着广泛的了解。

然而，如果你要求这个学生扮演你——去预测你在特定情况下会如何思考、说话或行动——他们往往会失败。他们听起来可能像是一个平庸的普通人，而不是“你”。为什么？因为他们是从碎片化的文本（就像一个随机事实的图书馆）中学习的，而不是通过一个真实人类连续且充满情感的故事来学习。

HumanLLM 是一种旨在解决这一问题的新型 AI。它不仅仅是一个“聪明的百科全书”，更是一个经过训练的“人类模拟器”，旨在理解每个人的独特癖好、历史和个性。

问题所在：“图书馆” vs. “日记本”

标准 AI 模型是在整个互联网上进行训练的。把这想象成在学习一个随机事实的图书馆。你了解到“人们喜欢咖啡”或者“交通拥堵会让人们生气”。但你并不知道为什么一个特定的人（比如“莎拉”）会在交通拥堵时生气。是因为她要赶去参加女儿的演出吗？还是因为她面临工作截止日期的压力？

论文指出，要真正模拟一个人，AI 需要阅读的是莎拉的日记，而不仅仅是图书馆。它需要看到她生活的连续故事、她的决策以及她随时间变化的内心想法。

解决方案：“认知基因组”

为了教会 AI 如何阅读这些“日记”，研究人员构建了一个庞大的新数据集，称为认知基因组数据集（Cognitive Genome Dataset）。

类比： 想象提取数百万真实用户在 Reddit、Twitter、博客和亚马逊评论等平台上的公开帖子。这些就像是数百万条零散的日记条目。
过程： 研究人员并没有直接将这些数据倾倒进计算机，而是使用了一套严谨的“清洗与组织”流程：
1. 过滤： 他们剔除了机器人、垃圾信息和简短无意义的帖子。
2. 合成： 他们利用强大的 AI 阅读这些零散的帖子，并将它们重写为连贯的故事。他们创建了：
  - 用户画像（User Profiles）： 关于一个人是谁的总结（其性格、价值观、历史）。
  - 场景（Scenarios）： 该人所处的具体情况（即“环境”）。
  - 社交问答（Social Q&A）： 关于该人接下来会想什么或做什么的问题，以及基于其真实行为的实际答案。
3. 质量控制： 他们充当严格的编辑，检查 AI 是否产生了幻觉（编造事实）以及故事是否合乎逻辑。

其结果是一个拥有 550 万高质量用户故事的数据集，有效地教会了 AI 人类行为的“DNA”。

他们是如何训练 AI 的：“专家” vs. “通才”

有了数据之后，他们需要在不破坏现有智能能力的前提下训练模型。

挑战： 如果你教一个天才学生如何扮演特定的人，他们可能会忘记如何做数学或写代码。这被称为“灾难性遗忘”。
技巧： 研究人员没有从头开始重新训练模型，而是使用了**模型合并（Model Merging）**技术。
- 类比： 想象你有一位通才厨师（原始 AI），他可以烹饪任何食物。你还有一位专家厨师（新的 AI），他是专门烹饪你最喜欢的家常菜的专家。
- 他们并没有解雇通才并只聘请专家，而是将他们的食谱混合在一起。他们结合了两个模型的权重。结果是一位既能做出完美牛排（通用知识），又完全了解你如何喝咖啡（个性化理解）的厨师。

HumanLLM 能做什么？（实验结果）

研究人员通过以下三个主要方面测试了这种新模型：

预测你（领域内任务）：
- 他们要求 AI 猜测用户下一步会买什么、会如何写博客文章，或者如何回答社交问题。
- 结果： HumanLLM 在预测这些方面明显优于原始 AI。它能够模仿用户的写作风格并更准确地预测其选择。
理解人类（领域外基准测试）：
- 他们在标准的“社会智能”测试（如理解动机、情绪和信念）上测试了该 AI，而这些测试是它从未见过的。
- 结果： 即使在这些全新的测试中，HumanLLM 的表现也更好。这表明它不仅仅是在记忆数据，它实际上学会了如何像人类一样思考。
现实世界的应用：
- 画像生成： 为模拟实验创建真实、详细的人物描述。
- 人类解释器： 解释一个人在特定情况下为何那样行动（例如：“她之所以生气，是因为她觉得孩子受到了不尊重，这是基于她过去的创伤”）。
- 个性化写作： 撰写听起来完全像某个特定人物的电子邮件或评论。

总结

该论文声称，通过喂给 AI 一个“认知基因组”——即一个大规模、有组织的真实人类故事与行为的集合——他们创造了一个在理解和模拟个体人性方面表现得更好的模型。它使 AI 从一个“无所不知的百科全书”转变为一个“深具共情力的观察者”，能够理解每个人的独特故事。

核心要点： 要让 AI 真正具有类人特质，你不能仅仅给它更多的事实；你必须给它人类生活的上下文背景。

技术摘要：HumanLLM：迈向人类本性的个性化理解与模拟

问题陈述

尽管大语言模型（LLMs）在编程、数学和文本摘要等客观任务中取得了显著成就，但在模拟人类行为和认知方面仍表现出明显的局限性。标准的 LLM 是在海量的、缺乏上下文的网络语料库上进行预训练的，这些语料无法捕捉个体决策、思想和行为随时间变化的连续且情境化的上下文。因此，这些模型难以在复杂的社会场景中准确预测动机、推断内在状态或预判未来行动。现有的使 LLM “人性化”的尝试通常依赖于来自受控心理学实验、经济博弈或虚构叙事的规模有限的数据，这些数据无法充分反映现实世界中真实人类体验的复杂性、自发性和长期动态性。

方法论

1. 认知基因组数据集 (The Cognitive Genome Dataset)

为了解决数据失配问题，作者构建了认知基因组数据集，这是一个源自 Reddit、Twitter、Blogger 和 Amazon 四个不同平台的真实用户数据的规模化语料库。数据集的构建遵循严格的三阶段流水线：

数据过滤： 原始数据经过基于规则的过滤（例如，移除机器人、短贴和广告）以及基于模型的重写（使用 Llama-3.3-70B-Instruct）以去除噪声、HTML 标签和敏感信息。一个基于模型的评分系统进一步筛选质量和安全性，仅保留高质量、无害的内容。
数据合成： 受 Lewin 方程 ( $B = f(P, E)$ $B = f (P, E)$ ) 启发，该流水线将数据合成三个部分：
- 用户 ( $P$ )： 生成四个层级的用户画像：用户人格（简洁的身份）、用户概况（详细的背景）、用户故事（生活事件的叙事）以及写作风格摘要。
- 场景 ( $E$ )： 从单个记录中提取包含背景、角色和情节的结构化三元组，以捕捉情境上下文。
- 社会问答 ( $B$ )： 构建侧重于用户行为、内在心理状态和社会推理（行为归因）的问题-答案三元组，并基于特定的用户和场景进行构建。
数据质量控制： 使用 Qwen-2.5-72B 进行自动化评估，从幻觉、覆盖度、简洁度、相关性、忠实度和新颖性以及泄露等方面对合成数据进行评估。只有满足严格阈值（总分 > 8，其他指标 > 7）的样本才会被保留，最终形成了一个包含超过 550 万条用户日志的数据集。

2. HumanLLM 模型训练

基于认知基因组数据集，作者定义了六个互补的学习任务，以覆盖人类活动的各个方面：

画像生成： 从极简的人格特征推断出详细的概况。
场景生成： 从角色和背景中重建完整的社会故事。
社会问答： 在给定人格和场景的情况下，预测用户的行为、想法或推理。
写作模仿： 以特定用户的风格生成新的文本。
个性化评论： 针对新帖子生成具有上下文感知能力的回复。
物品选择： 从交互历史中预测用户偏好。

训练策略：
作者在这些数据集上微调了多个开源 LLM（包括 Qwen2.5、Qwen3、Phi-3 和 Llama-3.1）。为了减轻灾难性遗忘（即在专业数据上进行微调时常见的通用能力丧失问题），作者采用了模型合并 (model merging) 策略。他们没有采用与通用指令数据进行联合微调的方法（该方法会导致泛化能力欠佳），而是将微调后的模型与原始指令微调后的基座模型进行 1:1 的权重合并。这种方法结合了增强的社会智能与稳健的通用能力。

核心贡献

认知基因组数据集： 第一个专门为个性化人类行为模拟而构建的大规模、多平台数据集，包含数十万用户以及数百万个合成的场景和社会问答对。
HumanLLM 基础模型： 一种旨在实现个性化理解和模拟人类本性的新型基础模型，通过在认知基因组数据集上的多任务学习框架进行训练。
模型合并方法： 证明了在保持通用智能的同时增强社会推理能力方面，模型合并比与通用指令进行联合微调更为有效。
全面评估： 在领域内任务、领域外社会智能基准测试以及现实应用场景中进行了广泛验证。

实验结果

领域内性能

在五个核心任务（物品选择、画像生成、场景生成、社会问答和写作模仿）上，HumanLLM 变体始终优于其基座模型及现有的行为模型（如 Centaur, BE.FM）。

HumanLLM $_{Qwen2.5-7B}$ 取得了最高的平均得分（27.38%），显示出相对于基座模型显著的提升（平均性能提升 308.05%）。
与基座模型甚至在特定领域内场景下的 GPT-4o 相比，该模型在预测用户偏好、推断生命轨迹和模仿写作风格方面展现出了卓越的能力。

领域外 (OOD) 泛化能力

在 MotiveBench（动机推理）和 TomBench（心理理论）上的评估显示，HumanLLM 具有增强的泛化能力：

HumanLLM $_{Qwen3}$ 在测试的开源模型中，在两个基准测试上的平均得分均最高。
该模型在不同的 LLM 骨干网络上表现出一致的增益，表明其训练方法提升了超越原始训练分布的社会推理能力。
相比之下，像 BE.FM 这样的模型在不同基准测试中的表现不稳定，这表明当使用如经济博弈等较窄的数据源进行训练时，其泛化能力有限。

现实应用

在三个应用场景中的定性和定量评估证实了 HumanLLM 的实用性：

画像生成： 比基座模型生成了更真实、更具代表性且更全面的用户画像，避免了人口统计学方面的幻觉。
人类解释器： 生成的行为解释在上下文相关性、逻辑一致性以及与参考答案的一致性方面表现更好。
个性化写作： 成功模仿了用户风格，并在生成的文本中重现了关键细节和推理模式。

意义与主张

论文指出，HumanLLM 代表了迈向以人为本的 AI 系统的重要一步。通过将 LLM 置于真实的、大规模的现实用户数据而非脱节的文本片段或虚构叙事中，该模型实现了对个体身份、环境与行为之间相互作用的更细致理解。

作者声称，HumanLLM 是一个卓越的社会数据生成器、人类解释器和用户模拟器。这种能力对于以下领域具有深远影响：

通过大规模社会学模拟推动社会科学研究。
开发个性化 AI 伴侣和情感支持代理。
通过真实的模拟用户来增强推荐系统。
通过模拟客户反馈来生成营销情报。

这项工作表明，利用多样化的真实用户数据对于弥合通用 LLM 与实现真实人类交互所需的特定、共情且具备上下文感知能力的智能之间的差距至关重要。