iMario vs Simile：模拟人群反应，怎么选？

设想一家饮料公司的团队正准备推出一款即饮茶。手上有两版产品描述、两个备选价位，拍板之前，想先知道 18-34 岁的城市饮茶人群会怎么反应。这个场景是为本文虚构的，iMario 和 Simile 都没有实际跑过它，但正是这类决策，会让企业把合成调研列进候选名单。

iMario 和 Simile 都用真实人群的数据构建合成人群，也都能接入企业自己的客户数据，只是侧重点不同。

用 iMario，一切从人群开始。企业手里如果有相关的客户证据，比如客户记录、问卷或访谈，我们就用它来锚定合成人群，再用我们的人口数据补齐空白，或者把覆盖范围扩展到现有客户之外。¹² 调研运行之前，团队能看到人群建立在哪些来源上、这些来源覆盖到哪里；运行之后，能看到哪些合成受访者选了某个答案，逐条读每个人的回答，比较不同的子群体，还能继续追问。³⁴⁵ 实际的好处是可追溯：团队能检查人群背后的真实证据，也能查清一个结论由哪些合成受访者的回答撑起来。

Simile 的公开资料，重点放在模拟特定条件下的行为。一次查询要写明人群、情境和可选的行动，模型返回各种可能反应的分布。⁶ Simile 用大规模研究和自有的行为数据构建人群，客户也可以提供自己的行为数据，训练一个定制模型。⁷ 每个结果都带一个置信度标签，依据是预测出来的误差。⁶⁷

从人群开始

即饮茶团队首先要弄清：“18-34 岁的城市饮茶人群”在两款产品里各指什么，在相信一个答案之前，又能把这个人群看清多少。

用 iMario 时，谁在人群里，由企业的客户记录或其他可用的名单决定。问卷、访谈和客服对话，只要能可靠地对应到这些人身上（比如通过稳定的客户 ID 或邮箱），就能为他们补充依据；单凭一份转写稿，不一定能确定谁属于这个人群。¹ 这些来源可以只读接入，也可以直接上传。人群创建之前，团队要核对它们怎么对应，比如哪一列是客户 ID、哪份转写稿属于谁。² 然后，我们以对上号的真人为锚，构建合成人物。人群建好后，团队可以把它的定义和分布跟源数据对照，查看来源覆盖范围和示例人物。¹ 如果企业没有相关的客户证据，也可以直接从我们的人口数据出发，这些数据依据官方统计构建，并用真实调查数据校准；² 这样建出的人群，代表的是它的来源人群，而不是企业自己的客户。使用之前，团队会检查它的定义和来源覆盖范围，看看有没有来源人群支持不了的条件。³

这款新品还没有客户，但团队手里可能仍有相关证据：以前做过的茶饮问卷、对自家其他饮品买家的调研，或者关于相近产品的客服对话。用得上的材料就拿来锚定人群，我们的人口数据再把覆盖范围扩展到还不是这家公司客户的饮茶人群。如果一样都用不上，这个人群描述的就是一般意义上 18-34 岁的城市饮茶人群，而不是这家公司未来的买家。无论哪种情况，团队都能在 iMario 里看到“城市饮茶人群”是怎么界定的、哪些条件有数据支撑、哪里证据偏薄。

Simile 也说，“每个 Simile 人群都从真实的人开始”。它开展大规模研究，把结果和自有的人类行为数据结合起来，按数据类型跟踪新鲜度，发现漂移就重新采集。客户可以提供自己的行为数据，比如会员数据、余额历史和遥测数据；按 Simile 的说法，这些数据用来训练一个定制模型，再拿这些客户的实际行为去检验。⁷ Simile 发布的 CVS Health 案例介绍，其中的智能体用 290 万条回答构建，这些回答来自 40 多万名参与者，覆盖 200 多个行为场景，都经过本人同意。⁸ Simile 的公开页面没有说明，买方能否查看一个人群的构成，或者看到哪些条件它支撑不了，这一点值得在演示时请对方展示。手里有大量行为数据（比如交易记录、使用日志）的企业，应该问问两家：这些数据怎样进入模型，又有哪些地方仍然缺乏支撑。

按两家公开资料的描述，各自的人群证据从哪里开始。图中反映的是产品侧重，并非独有能力，也不是测试结果。

拿到结果之后

第一个答案很少是调研的终点，接下来怎么走，两款产品不一样。

从 Simile 的公开示例能看出它的输出长什么样：向一个人群提出一个问题，给出模拟的答案分布、一句话结论和一个置信度标签。一个零售银行的例子问：如果换一家银行只要十分钟，谁会走？结果是 31% 会换，44% 目前满意但仍可能被挖走，25% 大概率留下，标为“High confidence”（高置信度）。另一个例子针对正在考虑买电动车的人，给购买障碍排了序，排第一的是充电不便，标为“Moderately high confidence”（中等偏高置信度）。⁷ 对即饮茶团队来说，这引出一个可以在演示时问的问题：Simile 能不能把四种“描述 + 价格”的组合都模拟一遍，每种各给出分布和置信度标签？Simile 的网站还引用了 Wealthfront 用户研究负责人的话：和模拟客户交谈，能帮团队找到值得进一步研究的方向；Simile 还把团队的定性研究范围扩大到了原来的 15 倍。⁷ 我们查阅的页面没有说明，用户怎样从一个分布深入到其中的模拟受访者，也没有说明能导出什么。

在 iMario 里，大部分工作恰恰在这一步。研究员选好调研形式，每道题都会得到一张结果卡片。形式可以是问卷、带追问的访谈、焦点小组、偏好测试、创意测试、网页反馈，或者 PR 测试。⁹ 在结果卡片里点某个答案的条形，就会打开 Explorer（结果探索），列出选了这个答案的合成受访者。在这里，研究员可以：

• 把几个答案组合成一个群体
• 按另一道题或某个人口属性拆分这个群体
• 逐个查看合成受访者的回答，或者给其中一位发消息追问
• 把这个群体存为细分人群，或者把数据行下载成 CSV⁴

接着，可以只向这个群体再问一道新题。⁵ 报告能把几轮调研汇总到一起，分标签页列出每道题的分析、每位合成受访者的回答，以及说明回答怎么归类的编码表，还能导出为 PDF、Markdown 或 PowerPoint。¹⁰¹¹

按两家公开资料，拿到第一个答案之后，团队还能做什么。Simile 一栏只限于它公开的示例；虚线框里是所查阅页面上没有描述、需要在演示中核实的能力。

假设团队发现某一版描述总体胜出，但有相当一部分合成受访者担心喝起来有股添加剂的味道。用 iMario，团队会把这群人圈出来，看看其中是不是平时喝茶不多的人偏多，再问问他们怎样才会改变看法，最后拿出一份带编码、能交给相关负责人审阅的报告。每个结果附带的置信度标签，用处不一样：它帮团队判断，几个差不多的答案里该先核实哪一个。

怎么解读证据

一项合成调研涉及三种不同的证据，混为一谈就会得出错误结论。

人群赖以构建的证据。 在 iMario 里，这类证据包括企业已有的客户证据（如果有的话），以及我们的人口数据；后者依据官方统计建模，并用调查数据校准。¹² 客户证据是关于真人的真实信息，在调研之前就已收集。

调研里的回答。 新调研的回答由合成人物生成。合成人物背后那位真实客户的已有证据，可能会影响它的回答，但这个回答并不是客户本人对这道题的新答复。我们在《解读依据》文档里，把模拟回答界定为“针对所给问题和背景模拟出来的回应”，既不是观测到的实际行为，也不是板上钉钉的结果；我们的指引还要求读者分清哪些是观测到的、哪些是推断出来的、哪些是模拟出来的，并注明证据不足的地方。¹²¹³ 如果人群是用企业自己的数据构建的，团队可以打开这个人群，读到构建它的那些访谈里真实客户说过的话，把合成回答和它所依据的客户证据放在一起看。¹²

可选的真人验证。 某个结论需要核实时，团队也可以把某项调研和新收集的真人回答做对照。这是单独的一步，并不是每项调研都会自动做。¹⁴ 我们的价格页列有“真人访谈验证闭环”，¹⁵ 验证指南也讲了怎么做对照：

• 让决策、人群定义、问题（或测试素材）和结果指标，都和模拟调研保持可比
• 事先定好什么样的结果算支持、需要调整或推翻当前的假设
• 把模拟结果和实际观测到的回答放在一起看，记下人群、情境、措辞、样本来源或结果指标上的差异¹⁴

指南把两边的分歧看作覆盖范围或建模上可能存在的局限，不当作哪一边正确的证明，并建议据此调整人群、素材或问题，再跑新的一轮。用什么方法、找哪家服务商，由团队自己决定，可以是访谈、问卷，也可以是可用性测试，或者设了对照组的产品或文案测试。¹⁴ 如果希望由我们安排验证访谈，可以联系我们，看看怎么配合你的调研。

Simile 在模型层面报告可靠性。每个结果的置信度标签，来自一个专门训练的置信度模型，用来预测模拟分布和真实分布大概相差多远。用总变差距离（TVD）衡量，这个差距小于 0.16 时，Simile 就认为结果达到“可用于决策”的质量；这个阈值来自一次内部评分，Simile 表示预计以后会修订。在约 8,600 道留出题目上，Simile 估计标为 High 的结果有 95% 的概率达到这个阈值，标为 Low 的结果则是 38%。⁶ 它还表示每周会和真人做 7,000 多次比对评估，用来训练置信度模型。⁷ 这些是厂商在大量问题上持续做的评估，而不是买方针对某一项调研做的核查；我们也没有找到公开的底层评估数据。Simile 发布的 CVS Health 案例提到，模拟结果用来给后续的试点和实验排优先级、做验证；⁸ 我们查阅的页面没有说明，Simile 是否提供把某项调研和团队自己的真实回答做对照的环节。

我们在模型层面的证据，是一个任何人都能重跑的公开基准测试。它在 922 道关于政治、价值观和社会态度的题目上，比较合成回答和真实回答的分布，覆盖 11 个人群、约 4.7 万名受访者，每道题都盲评。我们的 1-TV（衡量两个分布重合程度的指标）成绩是 88.9%；作为参照，两组真实样本之间能互相复现的程度，估计上限约为 93%。数据和打分代码全部公开。¹⁶

这两个数字用的是同一把尺子，因为 1-TV 就是 1 减去总变差距离：我们的 88.9%，相当于平均差距约 0.11，低于 Simile 给“可用于决策”的结果划的 0.16 这条线。但两者仍然不能直接排高低：一个是单个结果的及格线，一个是一套固定题目上的平均值，而且两边的题目也不一样。两个数字都说明不了：面对一款新饮品和一个新价格，两款产品离真实饮茶人群的反应各有多近。这正是下面的试点要回答的问题。

拍板之前先做试点

只要真实消费者样本够大，撑得起要做的比较，试点就能在一个具体决策上，给出一个范围明确的对比。

第一步是选一个两款产品都覆盖的市场。场景里没有指定市场，所以团队要和两家确认，目标市场和目标人群是否都在覆盖范围内。我们查阅的 Simile 页面没有写明覆盖哪些地区，它方法论文章里的示例是“点外卖的佛罗里达人”。⁷⁶ 接着，在两款产品里分别定义最接近的人群，并记下各自基于什么构建。然后，把同样的产品描述、价格、措辞、答案选项和包装图放进两边去跑。四种“描述 + 价格”的组合都测一遍，就能把文案的作用和价格的作用分开。

真实世界的核验，是对目标消费者做一次精简的问卷调查：受访者随机分到四种组合里，在两边的合成结果都出来之前，他们的回答对两款产品都保密。样本量取决于团队想检测出的最小差异和需要的精度；如果样本撑不起可靠的四组比较，结果就只能看方向，不能据此拍板。如果团队用我们的验证流程来做这件事，就应该拿同一份真实样本、同一套结果标准去衡量两款产品的产出，因为在哪家的流程里做对照，并不能证明哪家的预测更准。

建议的试点设计。这是一份假设的方案，并不是已经做过的调研。

先看比较结果。两款产品各自偏好的描述，和真实受访者一致吗？价格调高后，口头表示的购买意愿是否出现了同样的变化，或者同样没有变化？在把某处不一致算作一款产品的失分之前，先看看真实样本的误差范围，以及两边的人群匹配得有多接近。团队还可以记下 Simile 每个答案的置信度标签，并检查评审者能否把 iMario 的主要结论，一路追溯到人群的来源和背后合成受访者的回答。

这样的试点只能支撑一个范围有限的结论：针对这个人群、这些素材和这几个决策，每款产品看起来有多大用处。它证明不了 Simile 的标签是否校准到位，那需要大量已知答案的题目来检验；也证明不了哪款产品换个品类还会有同样的表现。另外，高价下表态想买，也不等于真的会买。

从哪一家开始

如果调研的关键在于查看人群背后的证据、查清结论由哪些合成受访者的回答撑起来，就从 iMario 开始。它适合这样的团队：希望用自己的客户证据锚定人群，再用我们的人口数据（61 个市场、55 亿模拟人口）补齐空白，¹⁷ 并且想在依赖这个人群之前先检查覆盖范围。如果团队要交付的是一整套调研成果，也适合从 iMario 开始：问卷、带追问的访谈、焦点小组、创意或网页测试、子群体深挖、后续追问，最后是一份带编码、可导出、附有每位合成受访者回答的报告。我们的文档还介绍了一套可选流程，用来把某项调研和新收集的真人回答做对照；我们也公开了一个任何人都能重跑的基准测试。¹⁴¹⁶

如果决策取决于一个人群的行为在不同条件下怎么变化，或者团队希望用自己的行为数据训练一个用实际结果检验过的模型，又或者逐条结果的可靠性信号是决策的核心依据，那就从 Simile 开始。这正是 Simile 公开资料的侧重点。

我们的价格是公开的。单次购买每个积分 0.05 美元，按月套餐打八折。每种调研形式有各自的积分费率；报告、对所选群体的 AI 分析，以及给单个合成受访者发追问消息，也都按积分计费。模拟合成人群、起草问卷和访谈提纲都免费。¹⁵ 我们查看的 Simile 页面上没有公开价格。⁷

很多买方最关心的问题是：在自己的品类和人群上，哪款产品更准？答案要从针对自己决策的试点里找，而不是看任何一家对外主打的数字。拍板之前，请两家分别提供：

1. 与你所在品类相近的题目上的评估结果，以及背后的方法
2. 现场演示：怎样构建你的目标人群，拿到第一个答案之后又能做什么
3. 一份围绕真实决策设计的试点报价

不管从哪一家开始，最后都要靠试点来定：在你自己的某个决策上和真人做一次对比，就能看出每款产品对这个决策有多大用处。

来源

所有来源均于 2026 年 10 月查阅。厂商资料仅代表各公司自己的说法。