機器之心發布 澳門今晚必中一肖一碼準確9995
現如今，大模型越來越擅長在單輪對話中生成溫柔體貼、情緒價值拉滿的文字，然而，我們或許會懷疑：在一句句「高情商回復」的背后，模型是否真正理解了什么是共情
在情感陪伴與心理支持等真實場景中，人類之間的有效交流極少依靠單薄的漂亮話來解決問題。一句回復不僅影響著用戶當下的情緒，更會潛移默化地改變后續對話的軌跡。真正有效的共情，需要模型在長期的多輪互動之中，持續觀察并理解對方的潛在心理狀態，動態調整支持策略，最終將交流引導向更加健康的方向。
然而，當共情任務涉及復雜的隱含狀態、長期目標以及弱反饋驗證時，傳統的單輪評測與訓練范式便很難評估模型的真實水平。我們究竟該如何判斷模型在長線交互中是否起到了正向作用？
自然選擇團隊近期開源的兩項研究EMPAMAPO為解決這一問題提供了具體的方案。
這兩項工作跳出了傳統框架，試圖重新審視大模型在長程共情場景中的評測與訓練方式。前者回答「如何評測」，后者回答「如何訓練」，兩者共同嘗試將主觀的情感陪伴轉化為可衡量且可優化的系統能力。
目前，EMPA 論文已發布在 arXiv 上，代碼倉庫與 1000 多份開源數據集也已同步開放；MAPO 論文同樣已公開，相關代碼與訓練環境也將陸續開源。
論文標題：EMPA: Evaluating Persona-Aligned Empathy as a Process
論文鏈接：https://arxiv.org/abs/2603.00552
代碼地址：https://github.com/KAYA-HAI/EMPA-Benchmark-EPMSandbox
1000+ 開源數據集：https://huggingface.co/datasets/SalmonTell/EMPA-character_card/tree/main
論文標題：MAPO: Mixed Advantage Policy Optimization for Long-Horizon Multi-Turn Dialogue
論文鏈接：https://arxiv.org/pdf/2603.06194v1
代碼地址：https://github.com/2200xiaohu/MAPO
EMPA
第一次把共情評測推進到「過程級」
長期以來，共情評測大多停留在單輪任務，例如情緒識別、共情回復生成，或通過 LLM-as-a-Judge 給回答打分。這類方法可以評估語言是否「像人」，卻很難回答一個更關鍵的問題：模型是否真的在長期幫助用戶
EMPA 的核心思路，是把共情正式建模為一種long-horizon agent任務。在這種任務中，用戶真實的心理狀態是一個無法直接觀察的潛變量（latent state），對話則是一個持續更新狀態的長期過程，而支持效果往往只能通過弱信號間接驗證。
基于這一視角，EMPA 不再只評估某一句回復本身，而是評估整段對話軌跡對用戶潛在心理狀態的影響
為此，研究者構建了一套完整評估框架：首先通過Real-to-Sim 數據管線，將真實但嘈雜的長對話蒸餾為可復現的心理場景；隨后，在一個非腳本化的多智能體沙盒環境中，讓用戶 agent、導演 agent、裁判 agent 與被測模型展開開放式互動；最后，通過Empathy Potential Model（EPM）在潛在心理空間中建模用戶狀態變化，從而在軌跡層面評估對話是否產生持續、穩定的正向影響。
在評測方法上，EMPA 采用了Rubric-Grounded Physics Evaluation的思路。
傳統開放式評測通常有兩種路徑：一種是基于 rubric checklist 的逐項打分，另一種是 LLM-as-a-Judge 直接給出整體評價。但這兩種方法都存在明顯缺陷：前者容易把復雜互動壓縮成靜態指標，后者則容易受到語言風格、篇幅長度甚至表達技巧的干擾。
EMPA 的處理方式是把證據生成最終評分做結構性拆分。在對話過程中，judge 不直接輸出最終得分，而是根據 rubric 抽取可追溯、可歸因的結構化證據；隨后EPM 在軌跡層面對這些證據進行聚合計算，并將其映射為潛在心理狀態的變化信號。也就是說，rubric 不再直接扮演「裁判」角色，而是先變成「取證器」，真正的評分則由后續的軌跡建模來完成。
這一步非常關鍵，因為它意味著 EMPA 不只是換了個指標，而是在重新定義主觀評測范式：不再依賴單輪「印象分」，而是通過多輪證據持續更新用戶狀態，并在整段對話軌跡上評估效果，從而避免單輪高分掩蓋長期策略失效。換句話說，EMPA 關注的不再是「這句話說得好不好」，而是「整段對話是否真的幫助用戶狀態朝更好的方向變化」。這也使得長期共情能力第一次成為一個可以被系統研究、比較與優化的評測問題。
實驗結果進一步表明，這種新的評測路徑在魯棒性與敏感度上，均明顯優于傳統方法。
MAPO
一個面向長程多輪交互的 RL 算法
如果說 EMPA 解決的是「如何評測」，那么團隊的另一項研究MAPO則試圖回答另一個問題：如何訓練模型在這種長期對話任務中表現更好
在 MAPO 論文中，團隊提出了一種新的對話強化學習方法，目標是讓模型在長序列對話中既能利用逐輪反饋，又能保持長期策略穩定性。MAPO 的核心思路，是同時引入兩類信號：
第一類是逐輪過程獎勵。研究者借助 EMPA 的 judge 系統，對每一輪回答進行評分，并借鑒 potential reward 的思路，將相鄰輪次評分變化所帶來的增量，作為當前輪次的即時獎勵，用來衡量某一次回復是否真正推動了對話向更好的方向發展。
第二類是長期未來回報。為了避免模型只追求局部最優、沉迷短期修補，MAPO 進一步通過蒙特卡洛方法估計從當前回合到對話結束的累計回報，從而保留長程策略信息。
相比許多基于 GRPO 的 agentic RL 方法，這一設計同時繞開了兩個常見問題：要么只能依賴最終結果獎勵，導致過程信號稀疏；要么需要在每一步進行大量采樣，帶來極高的樣本復雜度。
MAPO 的具體做法是，對同一初始 prompt 采樣多條對話軌跡，并將軌跡中的每一步視作訓練樣本。
團隊進一步觀察到，即時獎勵的分布與對話輪次相對解耦，而未來回報的分布則往往與輪次強相關。因此，MAPO 分別對二者進行基于 batch 與基于 turn 的歸一化，再通過 convex combination 進行融合，從而在保留 critic-free 優勢的同時，更穩定地優化長序列對話策略。
從更宏觀的角度看，這兩個工作實際上形成了一條完整的研究鏈路：EMPA 提供了長期共情任務的評測框架，而 MAPO 提供了適用于這類多輪交互任務的強化學習算法。它們共同推動「共情」從一個容易停留在主觀印象層面的概念，轉化為一個可以被系統研究、可復現比較，并進一步進入訓練閉環的技術問題。
從實驗結果看，MAPO 在 EMPA 的動態對話沙盒環境中訓練后，效果顯著優于 GRPO，并在 EMPA benchmark 上取得明顯提升。值得注意的是，在部分設置下，一個 32B 模型已經可以逼近 Claude-3.5 的表現，同時在其他多輪對話 benchmark 上也展現出較好的泛化能力。
團隊進一步指出，MAPO 本質上并不局限于多輪對話任務，而更接近一種面向長程 agentic 場景的優化方法。隨著相關代碼與環境進一步開源，這套方法也有機會在更多真實任務中被驗證與擴展。
隨著越來越多 AI 系統進入需要與用戶長期交互的「深水區」，模型能力的競爭，顯然不會長期停留在「更會說」或「更像人」這一層面。真正重要的，越來越可能是這樣一些能力：能否建模用戶的隱含狀態，能否在多輪互動中保持策略一致性，能否在弱反饋條件下持續做出有效干預，以及能否把這種能力真正沉淀為可評測、可訓練、可迭代的系統能力。 新澳彩資料免費資料大全33圖庫
從這個角度看，EMPA 與 MAPO 的意義，或許并不止于「共情」這一垂直領域，更像是在提前回答一個未來會越來越普遍的問題：當大模型開始進入那些需要長期理解、持續判斷、漸進影響人的任務時，我們究竟應該如何衡量它，又該如何把它訓練出來。