🤖 AI

Persona Generators: Generating Diverse Synthetic Personas for Arbitrary Contexts

本文介绍了“人格生成器”，这是一种基于迭代 AlphaEvolve 的框架，利用大语言模型自动进化出能够生成多样化合成人群的代码，这些合成人群广泛覆盖罕见特质与观点，在评估任意情境下的 AI 系统方面显著优于现有基线。

原作者： Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

发布于 2026-05-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

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

想象一下，你正在构建一个城市模拟系统，以测试一项新交通法规的效果。如果你的模拟中只填充了“平均”司机——那些有礼貌、遵守规则、且严格按限速行驶的人——你可能会认为你的系统是安全的。但在现实世界中，还有闯红灯的人、路怒症司机，以及为了看日落而特意绕路的人。如果你的模拟忽略了这些“异常值”，当现实世界与之碰撞时，你的测试就会失败。

这篇论文《人格生成器》（Persona Generators）旨在解决一个难题：利用大语言模型（LLM）进行的人类计算机模拟过于枯燥且千篇一律。

以下是他们所做工作的分解，辅以简单的类比：

问题：“模具切割”效应

目前，当你要求 AI“创建一组多样化的人群”时，它往往会给你一群思维和行为方式完全相同的人。他们都有礼貌、随和，并遵循“标准”剧本。作者将这种现象称为模式崩溃（Mode Collapse）。

类比：想象一家本应烘焙各种面包的烘焙店。它没有制作酸面包、黑麦面包、法棍和肉桂卷，而是不停地制作完全相同的白三明治面包。即使你要求“多样化的面包”，机器也只是不断产出同一种面包，因为那是它最擅长、最舒适的。
后果：如果你用这些“模具切割”出来的人去测试新应用或社会政策，你就会错过那些只有“异常值”才会产生的罕见但危险（或有益）的反应。

解决方案：“进化厨师”

作者并没有试图强行让 AI 直接生成多样化的人，而是构建了一个名为人格生成器的工具。请将其视为一种食谱或函数，而非某个人。

目标：他们想要一种食谱，当给定一个主题（例如“等待外卖送达的人们”）时，能瞬间“烹饪”出一群 25 人的群体，这些人彼此之间截然不同，涵盖从“愤怒”到“耐心”再到“困惑”的所有可能人格类型。
方法（AlphaEvolve）：他们并非手工编写这份食谱，而是使用了一个名为AlphaEvolve的系统。
- 类比：想象一位厨师试图写出一份完美的“多样化面包”食谱。厨师不是亲自品尝面包，而是编写制作面包的指令。
- 然后，他们使用第二个 AI（“变异厨师”）来微调这些指令。“也许我们应该告诉面包师多加点盐”，或者“也许我们应该让他们把面包烤成奇怪的形状”。
- 他们烤制面包（生成人群），品尝它（测试人群的多样性），如果多样性不足，就再次微调指令。
- 他们重复这个过程 500 次。最终，AI 发现了一套指令（代码），这套指令极其擅长烘焙各种各样的面包。

如何衡量成功

他们不仅仅看面包本身，而是衡量面包覆盖了多少“风味空间”。

覆盖率：群体中是否包含了喜爱辛辣食物的人、讨厌辛辣食物的人，以及介于两者之间的所有人？
“长尾”：他们是否包含了那些奇怪、罕见的组合（例如一个既极度害羞又热爱嘈杂重金属音乐的人）？

结果：“进化后的食谱”（即人格生成器）所创造的人群，比他们尝试过的任何其他方法都要多样化得多。

令人惊讶的发现：通常，当你试图让事物变得“多样化”时，它们开始看起来虚假或疯狂。但这篇论文发现，通过迫使 AI 覆盖整个可能性范围，生成的人物实际上比那些旨在匹配现实世界统计数据的方法生成的人物更真实。事实证明，通过对抗“模具切割”效应，他们意外地比专家更好地捕捉到了真实人类行为中真正的混乱。

为什么这很重要

作者表示，这就像拥有一个压力测试实验室。

如果你正在制造自动驾驶汽车，你不仅仅想在平静的司机身上测试它。你还需要测试那些插队的人、挥手让你先行的人，以及那些被手机分心的人。
该工具允许研究人员为任何情境生成合成人群的“群体”（例如，“人们会对新税收有何反应？”或“人们在科幻场景中会如何表现？”），并确保该群体包含奇怪的、极端的和罕见的人，而不仅仅是普通人。

总结

这篇论文介绍了一种工具，它利用进化搜索（AI 的试错法）来编写生成多样化人群群体的代码。

旧方法：要求 AI“创造多样化的人” -> AI 生成 25 个有礼貌、相似的人。
新方法：进化出一个“食谱”，迫使 AI 生成 25 个彼此差异尽可能大的人。
结果：新方法创建的群体更加多样化，覆盖了更多“人类”领域，并且令人惊讶的是，即使没有显式地在真实人类数据上进行训练，它们看起来也比以前的方法更真实。

作者计划分享他们最好的“食谱”（代码），以便其他人可以利用它们来压力测试自己的 AI 产品和社会模拟。

技术摘要：用于多样化合成人群的个性生成器

问题陈述

利用大语言模型（LLM）模拟人类行为，为社会科学研究和人工智能压力测试提供了一个可扩展的实验室。然而，标准 LLM 经常遭受“模式崩溃”（mode collapse）的困扰，即坍缩到一小部分刻板、高度顺从或 WEIRD（西方、受过教育、工业化、富裕、民主）响应的狭窄子集上。这限制了模拟人类多样性全貌的能力，特别是那些罕见但具有重大影响的异常值。

当前创建合成人类的方法通常优化“密度匹配”（density matching），试图使合成输出与现实世界数据的聚合统计量保持一致。虽然这种方法在建模平均用户方面行之有效，但它从根本上不适合用于压力测试或推测性场景（例如，社会对通用人工智能的反应）的预测，因为在这些场景中，探索人类反应的全部范围比识别最可能的反应更为关键。该论文认为，稳健的模拟需要将目标从算法保真度（匹配特定个体）转向支持覆盖（support coverage）：确保合成人群涵盖人类特质、观点和偏好的整个可能性图谱，包括极端行为的“长尾”。

方法论

该论文介绍了个性生成器（Persona Generators），这是一种轻量级函数，能够按需为任意上下文生成多样化的合成人群。作者并非优化单个个性，而是利用由AlphaEvolve驱动的进化搜索循环来优化生成器本身的代码。

流程概览

问卷生成：过程始于生成合成问卷（ $q$ ），包含上下文（ $c$ ）、一组多样性轴（ $D$ ）和调查项目（ $I$ ）。这些是基于成熟的心理测量工具（如大五人格量表、DASS、SVO）通过少样本提示（few-shot prompting）创建的。
个性生成（ $G_{\phi,\theta}$ ）：个性生成器函数接收上下文和多样性轴作为输入，以生成包含 $N$ $N$ 个合成个性（ $P$ $P$ ）的人群。生成器架构遵循两阶段过程：
- 阶段 1（自回归）：LLM 为每个个性生成高层描述符，确定其在指定多样性轴上的位置。
- 阶段 2（并行）：这些描述符被并行扩展为包含具体特质和背景细节的完整个性档案。
模拟与评估：每个个性被置于Concordia 模拟中，以回答问卷项目。响应被映射为数值嵌入（ $Z$ ）。
多样性指标：人群的多样性使用六个指标（ $M(Z)$ $M (Z)$ ）进行量化：
- 覆盖率（蒙特卡洛估计）
- 凸包体积
- 最小成对距离
- 平均成对距离
- 离散度（最大空区域的半径）
- 与理想准随机分布的 KL 散度
进化优化：AlphaEvolve 利用多样性指标作为适应度函数，迭代地变异生成器的代码（ $\phi$ ）。变异算子（一个 LLM）修改阶段 1 和阶段 2 内的逻辑，以发现新的生成器实现，从而最大化多样性轴上的覆盖范围。

主要贡献

支持覆盖的形式化：该论文将合成个性生成形式化为基于特质嵌入的多样性最大化任务，明确将目标从匹配特定个体转向跨越可能的特质和偏好空间。
新颖的个性生成器架构：提出了一种可扩展的两阶段架构，将人群层面的多样性决策（阶段 1）与每个个性的背景扩展（阶段 2）分离开来。该架构与一个利用 LLM 生成问卷、模拟交互并进化生成器代码的流程相结合。
生成器的进化发现：作者证明，由 LLM 驱动的进化搜索可以发现新颖的生成器函数，其在覆盖率和多样性指标上显著优于现有的基线。

结果

进化后的个性生成器在四个基线进行了评估：Nemotron 个性（基于美国人口统计数据的静态数据集）、多样性提示基线（通过高难度提示优化）、Concordia 生成器（基于形成性记忆）以及仅名称基线。

多样性指标：进化后的生成器在训练/验证集和保留测试集上，在所有六个多样性指标上均大幅优于所有基线。值得注意的是，它们优于多样性提示基线，这表明对控制流的迭代进化搜索产生了零样本提示无法实现的结构化策略。
真实性和人类保真度：尽管优化的是广泛的支持覆盖，但生成的个性依然保持真实。一项“LLM 作为裁判”的评估发现，93.0%–99.2% 的生成个性被认为是真实的。关键在于，当与真实人类数据（大五人格量表）进行比较时，进化后的生成器在所有方法中实现了最高的覆盖率（62.9%）和最低的 KL 散度（0.99），显著优于那些明确基于现实世界人口统计数据的基线。这表明，最大化支持覆盖比密度匹配方法更能缓解 LLM 的模式崩溃，并更好地捕捉真实的人类方差。
行为迁移：在开放式任务（喜剧写作和冲突解决）中，进化后的生成器产生了更广泛的行为和情感谱系，而基线则表现出严重的模式崩溃（例如，默认采用礼貌、回避冲突的回应）。
泛化与迁移：进化后的代码在保留的上下文中表现良好，并有效地迁移到不同的推理模型（Gemma、Gemini、Qwen）上，保持了较高的多样性余量。

意义与主张

该论文主张，优化生成器本身，而非单个个性或固定人群，是创建多样化合成智能体的一个可行且有前景的方向。由此产生的个性生成器轻量且可重用，能够按需进行多样化人群合成。

作者强调，这种方法并未以牺牲真实性为代价；通过明确对抗 LLM 的模式崩溃，该方法比旨在匹配人类统计数据的基线更好地捕捉了现实世界中人类特质的分布。这项工作表明，如果涵盖了人类特质的完整支持范围，随后就可以重新采样人群以匹配任何特定的目标密度。

论文最后指出该技术的双重用途性质：虽然它可用于人工智能压力测试、红队测试和生成多样化的交互智能体，但也存在被滥用于制造机器人或虚假信息运动的风险。作者计划开源表现最佳的实现，以支持进一步的研究。