機(jī)器之心發(fā)布

現(xiàn)如今，大模型越來(lái)越擅長(zhǎng)在單輪對(duì)話中生成溫柔體貼、情緒價(jià)值拉滿的文字，然而，我們或許會(huì)懷疑：在一句句「高情商回復(fù)」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(shí)場(chǎng)景中，人類之間的有效交流極少依靠單薄的漂亮話來(lái)解決問(wèn)題。一句回復(fù)不僅影響著用戶當(dāng)下的情緒，更會(huì)潛移默化地改變后續(xù)對(duì)話的軌跡。真正有效的共情，需要模型在長(zhǎng)期的多輪互動(dòng)之中，持續(xù)觀察并理解對(duì)方的潛在心理狀態(tài)，動(dòng)態(tài)調(diào)整支持策略，最終將交流引導(dǎo)向更加健康的方向。

然而，當(dāng)共情任務(wù)涉及復(fù)雜的隱含狀態(tài)、長(zhǎng)期目標(biāo)以及弱反饋驗(yàn)證時(shí)，傳統(tǒng)的單輪評(píng)測(cè)與訓(xùn)練范式便很難評(píng)估模型的真實(shí)水平。我們究竟該如何判斷模型在長(zhǎng)線交互中是否起到了正向作用？

自然選擇團(tuán)隊(duì)近期開(kāi)源的兩項(xiàng)研究EMPAMAPO為解決這一問(wèn)題提供了具體的方案。

這兩項(xiàng)工作跳出了傳統(tǒng)框架，試圖重新審視大模型在長(zhǎng)程共情場(chǎng)景中的評(píng)測(cè)與訓(xùn)練方式。前者回答「如何評(píng)測(cè)」，后者回答「如何訓(xùn)練」，兩者共同嘗試將主觀的情感陪伴轉(zhuǎn)化為可衡量且可優(yōu)化的系統(tǒng)能力。

目前，EMPA 論文已發(fā)布在 arXiv 上，代碼倉(cāng)庫(kù)與 1000 多份開(kāi)源數(shù)據(jù)集也已同步開(kāi)放；MAPO 論文同樣已公開(kāi)，相關(guān)代碼與訓(xùn)練環(huán)境也將陸續(xù)開(kāi)源。

• 論文標(biāo)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(kāi)源數(shù)據(jù)集：https://huggingface.co/datasets/SalmonTell/EMPA-character_card/tree/main

• 論文標(biāo)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(píng)測(cè)推進(jìn)到「過(guò)程級(jí)」

長(zhǎng)期以來(lái)，共情評(píng)測(cè)大多停留在單輪任務(wù)，例如情緒識(shí)別、共情回復(fù)生成，或通過(guò) LLM-as-a-Judge 給回答打分。這類方法可以評(píng)估語(yǔ)言是否「像人」，卻很難回答一個(gè)更關(guān)鍵的問(wèn)題：模型是否真的在長(zhǎng)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(wù)。在這種任務(wù)中，用戶真實(shí)的心理狀態(tài)是一個(gè)無(wú)法直接觀察的潛變量（latent state），對(duì)話則是一個(gè)持續(xù)更新?tīng)顟B(tài)的長(zhǎng)期過(guò)程，而支持效果往往只能通過(guò)弱信號(hào)間接驗(yàn)證。

基于這一視角，EMPA 不再只評(píng)估某一句回復(fù)本身，而是評(píng)估整段對(duì)話軌跡對(duì)用戶潛在心理狀態(tài)的影響

為此，研究者構(gòu)建了一套完整評(píng)估框架：首先通過(guò)Real-to-Sim 數(shù)據(jù)管線，將真實(shí)但嘈雜的長(zhǎng)對(duì)話蒸餾為可復(fù)現(xiàn)的心理場(chǎng)景；隨后，在一個(gè)非腳本化的多智能體沙盒環(huán)境中，讓用戶 agent、導(dǎo)演 agent、裁判 agent 與被測(cè)模型展開(kāi)開(kāi)放式互動(dòng)；最后，通過(guò)Empathy Potential Model（EPM）在潛在心理空間中建模用戶狀態(tài)變化，從而在軌跡層面評(píng)估對(duì)話是否產(chǎn)生持續(xù)、穩(wěn)定的正向影響。

在評(píng)測(cè)方法上，EMPA 采用了Rubric-Grounded Physics Evaluation的思路。

傳統(tǒng)開(kāi)放式評(píng)測(cè)通常有兩種路徑：一種是基于 rubric checklist 的逐項(xiàng)打分，另一種是 LLM-as-a-Judge 直接給出整體評(píng)價(jià)。但這兩種方法都存在明顯缺陷：前者容易把復(fù)雜互動(dòng)壓縮成靜態(tài)指標(biāo)，后者則容易受到語(yǔ)言風(fēng)格、篇幅長(zhǎng)度甚至表達(dá)技巧的干擾。

EMPA 的處理方式是把證據(jù)生成最終評(píng)分做結(jié)構(gòu)性拆分。在對(duì)話過(guò)程中，judge 不直接輸出最終得分，而是根據(jù) rubric 抽取可追溯、可歸因的結(jié)構(gòu)化證據(jù)；隨后EPM 在軌跡層面對(duì)這些證據(jù)進(jìn)行聚合計(jì)算，并將其映射為潛在心理狀態(tài)的變化信號(hào)。也就是說(shuō)，rubric 不再直接扮演「裁判」角色，而是先變成「取證器」，真正的評(píng)分則由后續(xù)的軌跡建模來(lái)完成。

這一步非常關(guān)鍵，因?yàn)樗馕吨?EMPA 不只是換了個(gè)指標(biāo)，而是在重新定義主觀評(píng)測(cè)范式：不再依賴單輪「印象分」，而是通過(guò)多輪證據(jù)持續(xù)更新用戶狀態(tài)，并在整段對(duì)話軌跡上評(píng)估效果，從而避免單輪高分掩蓋長(zhǎng)期策略失效。換句話說(shuō)，EMPA 關(guān)注的不再是「這句話說(shuō)得好不好」，而是「整段對(duì)話是否真的幫助用戶狀態(tài)朝更好的方向變化」。這也使得長(zhǎng)期共情能力第一次成為一個(gè)可以被系統(tǒng)研究、比較與優(yōu)化的評(píng)測(cè)問(wèn)題。

實(shí)驗(yàn)結(jié)果進(jìn)一步表明，這種新的評(píng)測(cè)路徑在魯棒性與敏感度上，均明顯優(yōu)于傳統(tǒng)方法。

MAPO

一個(gè)面向長(zhǎng)程多輪交互的 RL 算法

如果說(shuō) EMPA 解決的是「如何評(píng)測(cè)」，那么團(tuán)隊(duì)的另一項(xiàng)研究MAPO則試圖回答另一個(gè)問(wèn)題：如何訓(xùn)練模型在這種長(zhǎng)期對(duì)話任務(wù)中表現(xiàn)更好

在 MAPO 論文中，團(tuán)隊(duì)提出了一種新的對(duì)話強(qiáng)化學(xué)習(xí)方法，目標(biāo)是讓模型在長(zhǎng)序列對(duì)話中既能利用逐輪反饋，又能保持長(zhǎng)期策略穩(wěn)定性。MAPO 的核心思路，是同時(shí)引入兩類信號(hào)：

• 第一類是逐輪過(guò)程獎(jiǎng)勵(lì)。研究者借助 EMPA 的 judge 系統(tǒng)，對(duì)每一輪回答進(jìn)行評(píng)分，并借鑒 potential reward 的思路，將相鄰輪次評(píng)分變化所帶來(lái)的增量，作為當(dāng)前輪次的即時(shí)獎(jiǎng)勵(lì)，用來(lái)衡量某一次回復(fù)是否真正推動(dòng)了對(duì)話向更好的方向發(fā)展。
• 第二類是長(zhǎng)期未來(lái)回報(bào)。為了避免模型只追求局部最優(yōu)、沉迷短期修補(bǔ)，MAPO 進(jìn)一步通過(guò)蒙特卡洛方法估計(jì)從當(dāng)前回合到對(duì)話結(jié)束的累計(jì)回報(bào)，從而保留長(zhǎng)程策略信息。

相比許多基于 GRPO 的 agentic RL 方法，這一設(shè)計(jì)同時(shí)繞開(kāi)了兩個(gè)常見(jiàn)問(wèn)題：要么只能依賴最終結(jié)果獎(jiǎng)勵(lì)，導(dǎo)致過(guò)程信號(hào)稀疏；要么需要在每一步進(jìn)行大量采樣，帶來(lái)極高的樣本復(fù)雜度。

MAPO 的具體做法是，對(duì)同一初始 prompt 采樣多條對(duì)話軌跡，并將軌跡中的每一步視作訓(xùn)練樣本。

團(tuán)隊(duì)進(jìn)一步觀察到，即時(shí)獎(jiǎng)勵(lì)的分布與對(duì)話輪次相對(duì)解耦，而未來(lái)回報(bào)的分布則往往與輪次強(qiáng)相關(guān)。因此，MAPO 分別對(duì)二者進(jìn)行基于 batch 與基于 turn 的歸一化，再通過(guò) convex combination 進(jìn)行融合，從而在保留 critic-free 優(yōu)勢(shì)的同時(shí)，更穩(wěn)定地優(yōu)化長(zhǎng)序列對(duì)話策略。

從更宏觀的角度看，這兩個(gè)工作實(shí)際上形成了一條完整的研究鏈路：EMPA 提供了長(zhǎng)期共情任務(wù)的評(píng)測(cè)框架，而 MAPO 提供了適用于這類多輪交互任務(wù)的強(qiáng)化學(xué)習(xí)算法。它們共同推動(dòng)「共情」從一個(gè)容易停留在主觀印象層面的概念，轉(zhuǎn)化為一個(gè)可以被系統(tǒng)研究、可復(fù)現(xiàn)比較，并進(jìn)一步進(jìn)入訓(xùn)練閉環(huán)的技術(shù)問(wèn)題。

從實(shí)驗(yàn)結(jié)果看，MAPO 在 EMPA 的動(dòng)態(tài)對(duì)話沙盒環(huán)境中訓(xùn)練后，效果顯著優(yōu)于 GRPO，并在 EMPA benchmark 上取得明顯提升。值得注意的是，在部分設(shè)置下，一個(gè) 32B 模型已經(jīng)可以逼近 Claude-3.5 的表現(xiàn)，同時(shí)在其他多輪對(duì)話 benchmark 上也展現(xiàn)出較好的泛化能力。

團(tuán)隊(duì)進(jìn)一步指出，MAPO 本質(zhì)上并不局限于多輪對(duì)話任務(wù)，而更接近一種面向長(zhǎng)程 agentic 場(chǎng)景的優(yōu)化方法。隨著相關(guān)代碼與環(huán)境進(jìn)一步開(kāi)源，這套方法也有機(jī)會(huì)在更多真實(shí)任務(wù)中被驗(yàn)證與擴(kuò)展。

隨著越來(lái)越多 AI 系統(tǒng)進(jìn)入需要與用戶長(zhǎng)期交互的「深水區(qū)」，模型能力的競(jìng)爭(zhēng)，顯然不會(huì)長(zhǎng)期停留在「更會(huì)說(shuō)」或「更像人」這一層面。真正重要的，越來(lái)越可能是這樣一些能力：能否建模用戶的隱含狀態(tài)，能否在多輪互動(dòng)中保持策略一致性，能否在弱反饋條件下持續(xù)做出有效干預(yù)，以及能否把這種能力真正沉淀為可評(píng)測(cè)、可訓(xùn)練、可迭代的系統(tǒng)能力。

從這個(gè)角度看，EMPA 與 MAPO 的意義，或許并不止于「共情」這一垂直領(lǐng)域，更像是在提前回答一個(gè)未來(lái)會(huì)越來(lái)越普遍的問(wèn)題：當(dāng)大模型開(kāi)始進(jìn)入那些需要長(zhǎng)期理解、持續(xù)判斷、漸進(jìn)影響人的任務(wù)時(shí)，我們究竟應(yīng)該如何衡量它，又該如何把它訓(xùn)練出來(lái)。