# iMario vs 基座大模型：解决合成人物的模式坍塌与身份漂移

> 用数据说话的基准测试：把基座大模型（GPT、Claude、豆包、DeepSeek）和 iMario 放在一起比。看我们如何在模拟数万名合成用户时解决模式坍塌，并把身份一致性保持在 96%。

Source: https://imario.ai/zh/blog/imario-vs-llms
Published: 2026-03-23
Author: iMario 团队

![](https://cdn.imario.ai/blog/imario-vs-raw-llms.png)

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](https://imario.ai/zh/synthetic-individuals)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：

1. **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？

2. **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](https://imario.ai/zh/blog/beyond-average-how-imario-is-building-a-million-synthetic-individuals)。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。

- iMario 系统 96%
- Claude 4.6 Opus 62%
- GPT-5.3 58%
- 豆包 V2.0 52%
- DeepSeek V3 45%

###### ***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](https://imario.ai/zh/blog/harness-engineering-is-the-missing-layer-between-models-and-products)。具体怎么测的，可以看我们的[公开基准测试](https://imario.ai/zh/synthetic-audience-benchmark)。

## 常见问题

### 为什么不直接用 ChatGPT 或 Claude 做用户研究？

直接用大模型，单场访谈的前几个问题还应付得来。再往后，三种问题就会冒出来。一是谄媚倾向：访谈者暗示什么，模型就附和什么，追问也就失去了意义。二是身份漂移：大约到第 10 到第 15 个问题，不管最初的提示词写得多详细，人设都会退回到通用 AI 助手的腔调。三是模式坍塌：让同一个模型生成 1,000 个不同的人设，其中 50% 到 65% 听起来其实没什么分别，用词一样，含糊其辞的说法一样，观点也一样。这些不是提示词工程上的 bug，而是底层模型以“乐于助人”为目标训练出来的结果，天生如此。iMario 并不取代大模型，而是在它外面搭起直接聊天界面所缺的那些约束、记忆和身份框架。

### 什么是人设坍塌？它和模式坍塌有什么不同？

两者都是多样性失效，只是发生在不同的时间尺度上。模式坍塌发生在生成阶段：让模型生成一大批人设时，输出会扎堆在少数几个高概率模板周围。你想要 1,000 个美国中西部的 Z 世代游戏玩家，到头来听起来像同一个人的 30 个版本。人设坍塌也叫“人工蜂巢思维效应”，发生在对话过程中：人设一开始各有特点，但上下文窗口越填越满，就慢慢向模型的默认腔调靠拢。有独立的学术研究专门考察大模型智能体的身份漂移，结果有些反直觉：更大、更先进的基座模型，漂移往往比小模型更严重，因为它们表达流畅，向均值回归的过程也就更平滑、更难察觉。这两种问题从外面看一模一样，修起来却要用不同的办法。

### iMario 具体是怎么在长访谈中保持身份一致的？

靠三套机制协同。第一，结构化的人设表示：种子属性、行为立场和偏好向量在每一轮都重新注入，而不是指望模型一直留意开头那段长长的提示词。第二，记忆层：记下这个人设在访谈里已经说过的话，前面的回答会约束后面的回答。第三，治理检查：内容送到用户面前之前，先拦下腔调回退、与人设档案不符的说法和“我是一个 AI”式的默认回答。40 轮访谈的基准测试里，iMario 的身份一致性保持在 96%；直接当聊天工具用时，Claude Opus 是 62%，GPT 是 58%，豆包是 52%，DeepSeek 是 45%。访谈越长，差距越大。到了第 60 轮，直接用的大模型基本就是它默认的助手腔调，外面只披了一层薄薄的戏服。

### 直接用大模型，把提示词写得更好，能生成多样的合成人群吗？

能改善一点，但天花板很低。在提示词里写明人口统计条件、调节温度、用带种子的人设模板，靠这些技巧，提示词工程也许能把直接用大模型时的模式坍塌率从 65% 压到 40% 左右。iMario 实测的模式坍塌率低于 5%。这个差距是结构性的，跟提示词写得好不好无关。大模型的训练语料是互联网文本，里面占主导的是少数主流声音，模型的解码分布也就带着这种偏向。要生成 10,000 个在统计上彼此不同的人设，需要模型之外的采样逻辑：分布感知的种子生成、多样性验证、对照真实人口数据的人口结构吻合度检查，以及对扎堆太紧的输出做拒绝采样。这些在聊天 API 里一样都没有开放。如果你的场景是不到 50 个人设、靠人工审核，写好提示词就够了。超过这个量，专门的基础设施是唯一可靠的路。

### 在合成用户访谈里，谄媚倾向是什么样子？

谄媚倾向，就是合成用户对访谈者的任何暗示都照单全收，哪怕同一场对话里的暗示前后矛盾。放到访谈里，它的表现是：用户刚说爱上了你的概念，五分钟后又爱上了完全相反的概念；你提出的每个价值主张都全盘接受，毫不反驳；按人设，一位 50 岁、生性多疑的高管本该提出的反对意见，也被软化成了友好助手口中不痛不痒的顾虑。我们的测量方法，是给合成用户喂一组受控的对抗性探测题：与人设档案相矛盾的说法、预先埋好错误答案的诱导性问题，还有施压，逼它放弃已经表明的偏好。如果人设设定为对云迁移持怀疑态度，面对“可是云显然更好”这类诱导，至少 80% 的时候应该拒绝。低于这个门槛，不管表面输出听起来像什么，模型其实已经退回了助手模式。