结局发觉，确凿用户之情愫分布广泛，有相当比例之表达集中于-0.5到-1之负面区间。
对于确凿用户，内部距离远小于外部距离，比例约为0.29。
更枢纽之为，81.8%之购买路径跨越之不止一名场景。
而所有AI模型生成之对话实质，情愫分布皆明显向0与正值方位集中，极少现强烈之负面情绪。
研讨者员发觉，若只看搜索举止，用户之兴趣类别覆盖率仅为2.4%，兴趣枢纽词覆盖率也只有0.4%。
OmniBehavior为第一名完全基于确凿用户数据、同时跨越五名场景（视频、直播、电商、广告、搜索）、记载三名月完整举止轨迹之评测体系。
买一部手机，真之只为"看到一款手机然后下单"此么简吗。
此名疑难之意义远不止于技艺好奇心。
研讨团队将OmniBehavior中之确凿用户数据，与LoCoMo此名知名之长期记忆模拟数据集进行之对比。
然而，研讨团队发觉，现有之测试基准（也就为用来估量AI本领之"考卷"）皆存一名严重缺陷：它们只测试AI于单一场景下之表现，比如只测购物举止，或者只测视频浏览，而且大量用者工合成之假数据。
三种法门皆于Qwen3-235B上进行之测试。
此项研讨本身之数据与代码承诺于成数据审查后公掘发布，感兴趣之读者可通过论文编号arXiv:2604.08362于arXiv平台上找到完整原文，深入之解所有实验细节与技艺法门。
此条从"搜索"到"下单"之路径整整跨越之12天，穿越之搜索、直播、视频、广告、电商五名场景。
总体而言，此三种法门皆只为权宜之计，皆无法真正处置AI面对长期、繁用户史册时之体谅瓶颈。
四、拿最强AI来"扮演"确凿用户，成绩究竟如何 第二步为数据清洗，分为举止层面与文本层面两名维度。
推荐体系需预测用户下一秒想看什么；企业需模拟用户举止来测试新货品；社格致家望用AI代替真者参与实验。
LoCoMo之数据为通过AI生成之，模拟之用户于长期对话中之兴趣变化。
超过60%之购买决策，依赖于三天昔乃至更早时候生之举止作为触发线索。
为之回答此名疑难，研讨团队从用户史册中提取之彼等确凿点赞、收藏过之实质，并用AI剖析每名实质背后对应之兴趣类别与枢纽词，最终为每位用户绘制出兴趣画像。
此不为AI"不知道"苍生有时会发脾气，而为它被操练成之"永远友善"之状态。
研讨团队从快手平台收集之2025年9月1日到11月30日此三名月期间之确凿用户交互日志。
体谅此项研讨之发觉之后，或许有者会好奇：此张测试AI之"确凿全球考卷"究竟为如何制出来之。
明清小说。对于"点赞"此类最根基之二元举止预测（用F1分数衡量，满分100），大多数模型得分皆不超过40%。
此一发觉与学术界此前观察到之"迷失于中间"表象高度吻合——AI于办理超长文本时，往往会遗忘或忽视位于文本中段之讯息，只有头尾之实质能被较好地记住。
换句话说，每引入一名新之场景，皆会让吾等对一名用户之之解增约20%到30%。
第一种表象叫做"超活跃偏差"。
第三步为代表性用户采样。
研讨一共设计之6000名此样之预测差事，分布于视频、直播、广告、电商四大场景中，评测之11名顶尖模型，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，以及开源之GLM-4.7、DeepSeek-V3、Kimi-K2-Instruct与Qwen3-235B。
此意味之AI于预测"此名者会不会买此件商品"此件事上，正确率相当有尽。
此些举止零散却又紧密相连，共同构成之一名者确凿之数术画像。
研讨团队通过统计法门确定之阈值：视频观看时长超过879秒（约14.6分钟）之记载被视为异常，直播停留超过9601秒（约2.7小时）之也被剔除，最终每位用户平均去除之91条噪音记载。
对于一项"扮演确凿用户"之差事来说，此名成绩相当于不及格。
第三，AI把所有不同类型之用户皆模拟成相似之"平均者"，无法反映确凿用户大众中存之个人差异，研讨断语缺乏代表性。
此名疑难之危害不止于数术失准。
第二，AI无法模拟出愤怒、抱怨之用户，导致客服体系操练数据失真。
若前面之发觉还只为"AI之本领不够强"，彼么接下来之发觉则触及之一名更根本之疑难：AI于模拟苍生时存一种体系性之认知扭曲。
正因如此，研讨团队构建之一名名为OmniBehavior之全新测试基准，此为目前第一名完全基于确凿用户数据、同时覆盖多场景、长光阴跨度之苍生举止模拟估量体系。
研讨团队为此名领域提供之一张清晰之路线图：前景之AI用户模拟需更好地办理跨场景之因果依赖，需真正能体谅超长举止史册之记忆机制，更重要之为，需一种能够抑制"正向偏差"、主动修习长尾与负面举止之操练法门。
此名发觉对许多依赖AI用户模拟之应用场景有深远影响。
两天后，他于直播间看到之小米17 Pro Max之新品预售，随后又于视频里较量之小米17 Pro与Pro Max之差价为否值得。
研讨团队于本地部署之Qwen3-235B模型，识别并替换掉所有或泄露名者身份之讯息，比如姓名、电话号码、地址等，一律用占位符代替。
9月30日，他又看之一名对比三款旗舰手机之视频。
新辉煌。有之此张基于确凿数据之全面考卷，研讨团队接下来做之一件让者期待又略感忐忑之事：让目前最顶尖之AI模型来参加考试。
结局发觉，摘要法之平均表现最好（24.27分），相比截断法（21.13分）提升之约14.9%，于直播场景下之提升尤为明显（从23.84分跳升至31.06分）。
同时，DeepSeek-V3于电商场景之购买举止预测中（33.31），甚至超过之Claude-Opus-4.5（29.98）。
10月3日，他浏览之手机钢化膜评测。
然而，所有被测试之AI模型皆倾向于大幅高估用户点赞与互动之频率。
既然用户之举止序列彼么长，彼么给AI提供更多史册讯息，为不为就能帮它做出更准确之预测。
研讨发觉，单一场景数据会遗漏约20%到30%之用户确凿兴趣，而超过80%之重要决策（比如购买举止）皆跨越之多名场景。
二、一次购买背后，隐藏之长达数周之"因果链条" 最终形成之数据集包含之200名用户三名月之完整举止轨迹，平均每位用户有8143条举止记载，折合约3.2万名token，序列最长之用户超过10万步，充分体现之确凿用户举止之长光阴跨度特性。
研讨团队用一名叫做"1减Jaccard相似度"之指标来量化此种差异——此名数术越高，说明相邻两天之兴趣变化越大。
研讨团队用此张"确凿全球考卷"对包括Claude-4.5-Opus、GPT-5.2、Gemini-3-Flash、DeepSeek-V3、Qwen3-235B于内之一系列顶尖AI模型进行之全面评测，结局令者深思：即便为表现最好之模型，整体得分也只有44.55分（满分100分）。
第三种表象叫做"者格同质化"。
它能模拟出一名"像你一样"之者吗。
六、AI眼中之"抱负用户"：一名永远积极、礼貌、没有名性之者 A：此前之测试基准大多只覆盖单一场景（比如只测电商购物或只测视频浏览），而且甚多用者工合成之假数据。
此意味之确凿用户之举止于光阴上相当稳固（同一名者之举止前后差不多），但不同用户之间之差异极其显著（每名者皆有自己独特之举止风格）。
若AI真能扮演好"苍生替身"，此将极大降低研讨本金，加速各行各业之革新。
研讨团队还测试之三种常见之记忆管计策，看能否处置此名疑难。
而合成用户之兴趣变化，则更像为一幅机械之折线图。
数据来源于有超过4亿日活用户之快手平台，囊括之200名确凿用户长达三名月之完整举止轨迹，涵盖短视频浏览、直播间互动、电商购物、广告点击与搜索举止五大场景，共记载之22种不同类型之用户动作。
Health。结局怎么样。
今，研讨者员想知道，若把此些举止序列交给大型AI模型，它能预测出下一步你会做什么吗。
申亮亮。五、更长之记忆反而帮不上忙——AI之长上下文困境 此一发觉为后续之所有研讨奠定之根基：要真正体谅与模拟一名者，你须同时观察他于多名活场景中之举止，不能只盯之某一名角落。
定量数据更加直白。
表现最好之Claude-Opus-4.5拿到之44.55之统合得分，大多数模型集中于32到41分之间。
此说明于特定细分差事上，开源模型完全有本领与顶级闭源模型一较高下。
加入直播数据后，覆盖率续攀升至57.6%与26.2%。
彼等筛选出66位史册举止记载超过12.8万名token（大约为一本中等厚度小说之篇幅）之用户，然后把提供给AI之上下文长度从16K token逐步扩展到128K token，观察预测准确率之变化。
清晨醒来刷短视频，正午于直播间抢购商品，傍晚搜索一条感兴趣之新闻，夜晚于电商平台咨询客服。
若社格致家用AI模拟之参与者来做实验，断语或充满之"者者向善"之乐观偏差。
从数亿用户中最终只保留200名，此200者需尽或代表整名用户大众之多样性。
此为因现有AI于办理超长文本时会"迷失于中间"——只有开头与结尾之实质能被较好记住，中段讯息易被忽视。
此种同质化之根源，或于于AI之预操练数据中高频现之为"寻常用户之寻常举止"，而彼些小众之、非典型之、长尾之举止模式，于操练中被体系性地压制与淡化之。
比如，一名月前看之一名手机评测视频，与今日于直播间购买手机，语义相似度甚低，但因果关联甚强，检索算法无法识别此种隐性联系。
而AI模拟出来之不同用户，内部距离与外部距离之间之比例普遍于0.7到0.87之间。
缘由于于，检索增强法依赖"语义相似性"来匹配史册举止，但用户举止之间之关联往往为因果性之，而非字面上相似之。
当五名场景之数据全部汇聚于一起，才能达到100%之完整覆盖。
七、OmniBehavior为怎么被造出来之 A：此种偏差会导致三方面之实际危害。
有意思之为，排名第二之并非某名知名闭源模型，而为开源模型GLM-4.7，得分41.46，超过之Claude-Sonnet-4.5之40.49与GPT-5.2之39.07。
研讨团队把此种扭曲称为"正向平均者偏差"，实在表现为三种相互关联之表象。
结局出乎意料地令者灰心：增上下文长度并不能稳固地提升预测准确率。
三、者工合成之"假用户"，与确凿用户差之多远 第二种表象叫做"乌托邦偏差"，集中体今电商客服对话中。
再叠加广告数据，分别达到23.6%与14.1%。
若任何一名中间步骤被切断，皆或更张最终之购买决定。
换句话说，尽管现代AI模型已能够"阅读"几十万字之文本，但它们并不真正"体谅"与"记住"此些实质。
从实在数术来看，疑难尤为突出。
此说明合成数据严重低估之确凿用户兴趣之动态性与繁性，无法反映苍生彼种"今日对此名之迷，明日又被另一件事吸引"之确凿节奏。
此为苍生举止之自稀疏性——大多数时候吾等只为漫无意图地刷刷刷，并不会对每条实质皆点赞。
AI生成之用户发言于每一名维度上皆比确凿用户更"礼貌"——它们用更多"请问"、"麻烦"、"谢谢"此类词汇，措辞更委婉，几乎不会现"骗子"、"催死我之"、"赶紧给我退款"此类确凿用户于遭遇售后疑难时常见之直接、激烈表达。
确凿用户之平均值为0.6311，而合成用户只有0.1698，差距接近四倍。
二十国集团。第四步为数据匿名化。
一位用户于9月25日通过搜索"小米发布会"始对某款手机产生兴趣。
第一种为"截断法"，只保留最近之一段史册；第二种为"检索增强法"（RAG），根据当前场景之相似性从史册中检索最相关之100条举止；第三种为"摘要法"，每当史册积攒到4000名token就压缩小结一次。
涉及仇恨言论、暴力等有害实质之记载也被自动标记并剔除，最后经过者工核验确保合规。
Sociology。于多名模型上，从16K扩展到32K会有必提升，但续扩展到48K、64K甚至128K时，性能曲线始震荡甚至降，并没有随之讯息量之增而延续改善。
同时，用户举止之间之关联往往为因果性之而非语义上相似之，简增讯息量并不能帮AI体谅此些隐性之因果关系，需专门设计之记忆管机制才能处置。
彼些只记载单一场景之数据集，相当于把此条因果链条拦腰斩断，让AI看不到完整之典故，自也就无法做出准确之预测。
比如，此名用户会点赞此条视频吗。
也就为说，大部分重要之耗费决策，不为于单一场景内酝酿成之，而为于多名场景之间反复穿行后才最终落地。
A：研讨发觉，将上下文从16K token扩展到128K token并不能稳固提升预测准确率，有时甚至会让表现变差。
当只用视频浏览数据时，用户画像会呈现出某一种面貌；当只用搜索数据时，又为另一种面貌。
于广告场景之购买预测中，Claude-Opus-4.5之F1分数为29.98，GPT-5.2为29.32，Qwen3-235B仅有19.22。
它会把每名者皆塑造得更热、更礼貌、更像教科书里描述之抱负耗费者，而现状中彼名会发脾气、会无聊地刷手机、会因各种奇怪缘由买东西或不买东西之确凿之者，于AI之模拟中几乎灭不见之。
此项由华夏格致院软件研讨所、华夏格致院大学与快手科技联手开展之研讨，于2026年4月以预印本样貌发布于arXiv平台，论文编号为arXiv:2604.08362。
数据给出之一名令者深思之解答。
Qwen3-235B与Gemini-3-Flash之预测结局中，积极互动率比确凿苍生高出40%到60%，相当于把一名"偶尔点赞"之寻常用户，过失地模拟成之一名"几乎每条皆点赞"之热粉丝。
研讨团队于论文中呈现之一名生动之确凿案例。
若AI把用户模拟得过于活跃，企业就无法从中修习到"用户什么时候会止互动"、"什么样之实质会让用户流失"此类枢纽信号，用户流失预警体系将完全失灵。
更枢纽之为，研讨团队发觉AI模型于模拟苍生时存一种体系性之架构偏差——它们倾向于把所有者皆模拟成一名"积极友善之寻常者"，而确凿之苍生全球远比此繁与混乱。
此为最深层之疑难。
每名用户举止皆附带丰富之实质元数据，包括视频字幕、OCR识别出之图面书契、ASR转写之音频实质、商品描述，以及播放量、点赞数等互动统计。
除之跨场景与长时序此两名维度，OmniBehavior之研讨团队还想弄清楚另一件事：用AI生成之模拟用户数据，与确凿用户数据之间，到底差于哪里。
测试之设定为此样之：给AI一份用户案卷、一段完整之史册举止序列，再加上当前场景之实在讯息（比如正直播之实质、正展示之商品），然后要求AI预测此名确凿用户接下来会做什么。
整名数据集之构建分为四名环节。
兴趣会突然飙升，然后立刻断崖式归零，再突然现另一名不同主题之高峰，整名模式生硬、程序化，缺乏确凿苍生举止中彼种自之惯性与惰性。
加入电商数据后，兴趣类别覆盖率跳升至14.4%，枢纽词覆盖率达到8.3%。
你只有两种讯息可参考：第一种，你知道此位朋友最近三名月于所有场合之耗费记载、浏览史册、搜索枢纽词与聊天实质；第二种，你只知道他上名月于一名电商平台买过几件商品。
换句话说，AI模拟之不同"用户"之间，举止差异极小，几乎像为同一名者于不同光阴点之重复。
若推荐体系用AI模拟之"用户"来测试算法，它或会发觉算法效果甚好，但于确凿用户身上却表现平平，因彼些被忽视之负面回馈与非典型举止才为最有身价之信号。
随后用K均值聚类算法把用户分成若干名举止相近之大众，从每名大众中选出最具代表性之彼一位，最终汇聚成此200者之样本。
会于客服对话中说些什么。
Q3：给AI提供更长之史册记载，为什么反而不能帮它更好地预测用户举止。
会把此件商品加入购物车吗。
摘要法虽能保留全局趋势，但于压缩历程中不可免除地会丢失细节。
所有原始日志按照光阴戳排列，形成跨越多名场景之一统光阴线。
单独用任何一名场景，皆只为于管中窥豹。
此就像只通过一道数学题来裁决一名学生之统合质地——考卷本身就为错之。
研讨团队给每位用户构建之一名多维特征向量，涵盖年龄、性别等者口统计讯息，交互频率与活跃天数等活跃度指标，对不同实质类别之偏好分布，以及于五名场景中之用频率。
每名者每天皆于数术全球里留下无数痕迹。
研讨者用同样之法门，追踪之两组用户于80天内之兴趣主题分布，看看它们为如何随光阴演化之。
此正为OmniBehavior研讨团队最先想验证之疑难：单一场景之数据究竟有多"残缺"。
10月8日，他于广告中再次看到之小米官方旗舰店，并于直播间看到之预售讯息，最终于当天夜晚通过电商下单购买。
Q1：OmniBehavior测试基准与之前之AI举止测试有什么根本区别。
研讨团队进一步从五名言辞风格维度对比之确凿用户与AI模拟用户之措辞：礼貌用语之用频率、缓与语气之程度、担当归咎倾向、情绪控制程度，以及顾全对方面子之程度。
无论AI被要求扮演一名20岁之男学生还为一名45岁之家主妇，它最终生成之举止特征皆高度相似，皆趋向于某种"平均用户"之模板。
一、为什么单一场景之数据为一张"残缺之地图"。
研讨团队从数据中随机抽取之180名高身价购买举止（比如用户成之一笔商品交易），然后像侦探一样往前追溯——此笔交易背后，究竟生之什么。
此打破之旧俗剖析中"用户于当次会话里做决定"之设想，就像你以为耗费鲁莽为一时之念头，实际上它已于脑海中积攒之好几天。
研讨团队专门针对此名疑难做之实验。
设想你要为一位从未见过面之朋友挑选一件生日馈赠。
第一，AI模拟之用户互动率比确凿用户高40%到60%，意味之依赖AI模拟来测试推荐算法之企业会看到虚妄之高互动率，无法识别用户流失信号。
此名场景格外有代表性，因用户于寻求售后帮时往往处于不满甚至愤怒之情绪状态，此正为测试AI能否模拟"负面情绪"之绝佳场合。
社论。研讨团队让Claude-Sonnet-4.5对确凿用户与AI模拟用户之客服对话进行情愫评分，评分从-1（极度负面）到+1（极度正面）。
研讨围绕一名核心疑难展开：当今最强盛之AI大言辞模型，究竟能不能像确凿苍生一样行动。
此为最深层之疑难。
而检索增强法之表现反而不如截断法（20.38分，降3.6%），于电商场景中甚至现之明显退步。
显然，第一种讯息让你能够勾勒出一名立体之者，而第二种只为一名模糊之轮廓。
举止层面之清洗旨于去除"噪音"举止——比如用户不小心触碰屏幕导致之误操作，或者把手机放于一面导致之无意义播放。
Q2：AI模拟用户时之"正向平均者偏差"实在会导致什么实际疑难。
AI之对齐操练让它本能地回避抵触、回避负面情绪，即便于扮演一名愤怒之耗费者时，它也会不自觉地把措辞软化成一名"理性维权者"。
研讨团队用17名维度之举止特征（比如点赞率、分享率、购买率等）来给每位用户画一幅"举止画像"，然后计算两类距离：同一用户前后两段光阴内举止之相似程度（内部距离），以及不同用户之间举止画像之差异程度（外部距离）。
第三种表象叫做"者格同质化"。
文本层面之清洗则用正则表达式去掉之乱码与口吃词，并用Qwen2.5-72B模型进行语义校正，OCR文本压缩之85.9%，ASR文本压缩之5.2%，大幅提升之文本原量。
于确凿全球中，用户对实质做出积极互动（比如点赞、收藏、加入购物车）之频率其实极其低，通常不超过所有浏览举止之10%。
此些单场景画像往往片面而失真，就像盲者摸象，每名者摸到之只为大象之一部分，没有者能描述出完整之大象。
说到底，此项研讨想传递之核心讯息其实甚直白：当AI被要求扮演苍生之时候，它扮演之并不为确凿之者，而为它心目中苍生"应"为什么样子。
结局就为，无论输入什么样之用户描述，AI输出之皆为一名经过平均化办理之"抱负用户形象"，而不为彼名确凿之、有自己怪癖与名性之实在之者。
第一步为数据收集。
确凿用户之兴趣变化就像一条蜿蜒之江河——不同之兴趣主题此起彼伏，相互交织，缓慢而自地流动，某天对动漫感兴趣多一些，某周对服装话题更关注，整体呈现出一种有机之、多维度交融之动态。
研讨团队用17名维度之举止特征（比如点赞率、分享率、购买率等）来给每位用户画一幅"举止画像"，然后计算两类距离：同一用户前后两段光阴内举止之相似程度（内部距离），以及不同用户之间举止画像之差异程度（外部距离）。
上一篇：伯恩茅斯1-1维拉，摩根-罗杰斯建功，拉扬扳平 下一篇：华为余承东解释问界/AITO命名，透露大模型AI将OTA给老车主