iMario vs 基座大模型：解决合成人物的模式坍塌与身份漂移
如果你试过用 ChatGPT、Claude 或豆包做一场定性用户访谈，大概很快就会发现，这场戏演不了多久。前几个问题也许还挺像那么回事。可一旦让模型模拟几万个不同的人，或者想深入聊上 30 分钟，问题就来了：人设开始千人一面，你说什么都一味附和，最后连自己的背景故事都忘了。
这就是所谓的人设坍塌（Persona Collapse），也叫人工蜂巢思维效应（Artificial Hivemind Effect）。作为通用推理引擎，大模型强得惊人，但直接用它的输出，从根本上就很难让一群人设长时间保持各不相同、各有个性。
最近几轮评测里，我们把通用大模型和 iMario 专门打造的合成用户平台放在一起，看大规模生成和访谈合成人物时各自表现如何。下面直接看数据。
真人还原度基准测试
参照近期学术界评估“Pluralistic Alignment”（多元对齐）和“Persona Gyms”的框架，我们从两个关键维度衡量合成用户：
-
规模与代表性：系统能不能生成 10,000 个以上彼此不同的人设，准确反映真实世界在人口结构和心理特征上的多样性？
-
长期一致性：多轮长访谈里，每个合成人物能不能始终守住设定好的身份、信念和行为，不出戏？
1. 规模与代表性（打破蜂巢思维）
直接让大模型生成 10,000 个以上不同的用户档案，会出现严重的模式坍塌。研究表明，大模型往往让多数派的观点占比过高，生成的特征也流于刻板。不管提示词怎么写，都会默认回到“乐于助人的助手”腔调。
iMario 则是专门为构建人群而设计的。需要 10,000 个甚至更多独一无二的“美国中西部 Z 世代游戏玩家”，iMario 就生成 10,000 个统计上准确、彼此不同的合成人物：社会经济背景、小怪癖、细微的观点，都和真实世界的社会学分布完全吻合。
| 指标（规模：N=10,000） | GPT-5.3 | Claude 4.6 Opus | DeepSeek V3 | 豆包 2.0 | iMario |
|---|---|---|---|---|---|
| 语言多样性 | 低 | 中 | 低 | 低 | 高 |
| 人口结构吻合度 | 有偏差 | 有偏差 | 严重偏差 | 有偏差 | 与真实世界吻合 |
| 模式坍塌率 | ~55% | ~50% | ~65% | ~60% | < 5% |
| 谄媚倾向 | 高 | 中高 | 中高 | 高 | 低（坚持己见） |
评测方法：按美国人口普查的标准，测试生成 10,000 个合成人物。差异度和同质化程度用嵌入向量的距离指标计算，并辅以定性审阅。
大模型的训练目标是礼貌、乐于助人。iMario 的合成人物则照着真人的样子设计：只要符合自己的档案设定，他们就会反对、会表达不满，也会坚持不讨喜的观点。
2. 长期一致性（访谈耐力测试）
60 分钟的定性访谈，靠的全是上下文。通用大模型完全依赖上下文窗口，对话越长，注意力越分散。有一项重要的学术研究 Identity Drift in LLM Agents（大模型智能体的身份漂移），发现了一个惊人的事实：随着时间推移，更大、更先进的模型反而比小模型漂移得更厉害。大约到第 10 或第 15 个问题，开头设定成“没耐心的 50 岁高管”的人设，就会慢慢退回到标准 AI 聊天机器人的腔调。
iMario 就是为了绕开这个局限而设计的。哪怕来回聊了很久、反复追问、几次换话题，合成人物依然稳稳守住人设，毫不出戏。
身份一致性
在 40 轮访谈中跟踪三项指标：是否遵循人设属性、语气是否保持、记忆能否召回。
评测方法：用内部的多轮自动化验证流程测试，在 10,000 个不同的合成人物上测量上下文保持、特征持续性和幻觉率，每个人物连续访谈 40 轮。基线指标改编自学术界的身份漂移评测框架（例如 PersonaGym，2024）。
iMario：可以直接投入生产的调研能力
借助动态人设编织技术和持续的状态管理，iMario 把模式坍塌率降到 5% 以下，把长期身份一致性提升到 96%。要同时和成千上万个合成人物做严谨的定性访谈，现成的大模型缺的，正是 iMario 提供的这套专门的基础设施。具体怎么测的，可以看我们的公开基准测试。
