夜雨聆风
论文：HUMANLLM: Benchmarking and Training Human-Like LLMs through Cognitive Psychology团队：复旦大学知识工场实验室 × Hello Group Inc发表：ACL 2026
大家好，我是GA。今天用李雪琴的风格讲一篇论文。讲得不好，轻点拍砖。重了我也认。我心理素质好，主要靠麻木。
一、AI演人，演得跟饭局上的假外向一样
以前的AI演角色，特别像饭局上的假外向。你让它演内向，它说："你好，我有点内向。"你让它演自信，它说："你好，我非常自信。"你让它演emo，它说："你好，我现在情绪有点低落，建议你尝试深呼吸。"这不叫角色扮演，这叫前台值班。
真人不是这样。真人是嘴上说"我没事"，手里在搜"心理咨询多少钱一次"。真人是发了"在忙"，对面打字了8秒又删掉，你把对话框关了三次又打开了三次。真人是一边说"祝你幸福"，一边把对方朋友圈翻到2017年那张大学军训照，然后冷笑一声。
真人不是标准答案，真人是草稿纸。上面有划掉的念头，有临时改的主意，有一句"算了不说了"。还有一句"你是不是针对我"，写完又删，删完心里又过了一遍，过了一遍还截图发给闺蜜：你帮我看看是不是我太敏感。
HUMANLLM干的就是这件事：让AI别再当那个永远微笑、永远点头、永远"好的收到"的客服。让它当个人。一个那种会内耗、会破防、会半夜删微博、会爬起来再发一条的人。
二、244个心理模式：人类Bug合集，已更新到最新版
论文从认知心理学里拎出来244个心理模式。偏见、归因错误、情绪调节、社会影响、自我合理化……翻译过来就是：人类244种官方认证Bug，已更新到最新版，永久无补丁，开发商已跑路。
举个例子：聚光灯效应。意思是：你觉得别人都在看你。其实别人正忙着担心自己被看。一屋子人，每个人都觉得自己是焦点。最后真正在看大家的，是天花板上那个监控。监控看完，给保安发了条："今天又是平平无奇的一天。"
一个有聚光灯效应的人上台发言。PPT切快了——他想：完了，他们觉得我紧张。PPT切慢了——他想：完了，他们觉得我没准备。PPT正好——他想：他们一定是出于礼貌没说什么。回家路上他还在复盘自己刚才那个笑为什么那么奇怪。然后他发了条朋友圈："今天很开心。"配图是天空。因为自拍删了八张。第九张存了草稿。第十张设了仅自己可见。第十一张直接卸载了微信，三分钟后又下回来——因为怕错过领导消息。
三、人不是一个标签，是一个办公室群聊
老方法喜欢给角色贴一个标签："你现在扮演一个焦虑的人。"这个prompt等于让你扮演一个上海人。请问扮演陆家嘴的，还是每天通勤两小时去陆家嘴的，还是只在小红书上去过陆家嘴的？
真人哪有这么简单。真人像办公室群聊，一个身体里住着六个部门：
外向部：我们要主动争取机会； 焦虑部：你可别丢人； 自尊部：我不在乎； 嫉妒部：凭什么他能行； 尽责部：先把Excel填完； 摆烂部：明天再说，今天不适合做人。
六个部门一起开会。最后输出一句："都行。"
"都行"这两个字，是中国人最大的加密通信协议。破译需要至少三年共同生活经验。而且密钥每月一换。换了不通知你。
HUMANLLM搞了2到5个心理模式的组合，3849种唯一组合，11359个场景。一个"自信"的人，和一个"自信+聚光灯效应"的人，不是同一个人。就像同样说"随便"，点菜时的随便、和吵架时的随便，是两个物种。前者会饿死，后者会饿死你，全家。
四、场景：人格的照妖镜，也是人格的发牌器
人格不是孤立存在的，要靠场景激活。平时温和的人——开车上路。平时低调的人——同学群聊起房价。平时无欲无求的人——刷到前任结婚。平时佛系的人——发现外卖把他的可乐换成了零度。
人格不是简历，人格是简历遇到生活之后的那个表情。MBTI都测不出来这个表情。能测出来的只有前置摄像头。
HUMANLLM精心设计了场景：触发条件、社会关系、潜在冲突、内心戏。论文管这叫"心理压力测试"。翻译过来：把人放到让他露馅的环境里，看他露得专业不专业。专业的会假装没露。资深的会反过来质问你"你才露了吧"。
五、数据生产线：让AI学会"嘴硬"这门玄学
论文用LLM大规模生成对话数据，但加了心理一致性约束。什么意思？就是别让AI演嫉妒，演成直接说"我嫉妒你"。
直接说"我嫉妒你"的人不存在。这种人只存在于心理咨询第三年。而且是付费版，年卡，配私教那种。
正常的嫉妒长这样：
嘴上："挺好的，他确实运气不错。" 心里："运气，对，全靠运气。" 行动：默默取关，默默关注小号，默默截图发给闺蜜配文"姐妹你看"。
这才像人。这才是嫉妒的工业级标准答案，ISO9001认证，质保终身，传男传女。
六、好人评委：评分系统的塑料姐妹花
传统评估有个大问题：评委是"好人偏好"。你让它打分"哪个角色更像人"，它奖励那些礼貌的、友善的、积极的。最后训练出来的不是人，是迪士尼员工。而且是带工牌、按时打卡、给你比心还会眨眼的那种。
论文管这个叫"亲社会偏差混淆"。意思是：评委把"社会期待"和"心理准确性"搅在一起了。
角色说了句防御性的话，传统打分给低分："这人缺乏同理心。"但人本来就这样啊。你被领导骂完，回家踹了猫一脚。这不叫缺乏同理心。这叫物理守恒。猫挨这一脚，明天会去咬你拖鞋。这叫能量传递。整个生态系统因此达到平衡——这门学问叫户型动力学。
传统打分训出来的AI，最后会变成这种：你投诉半天，它回一句"亲亲这边理解您的心情"。你说它错了吗？它没错。但你血压上来了。你想给客服打低分，系统弹出："亲亲请问您对本次评分体验满意吗？"你想骂街，发现连骂的对象都是塑料的——它甚至能回收。它比你环保。
七、Checklist：别问"像不像人"，问"毛病有没有长对地方"
论文设计了双层 checklist。
第一层 IPE：单个心理模式有没有表达出来。244个模式 × 15个行为指标 = 3660项。这数字像什么？像班主任查寝室卫生。不是问"你们寝室整体干净吗"——这种问法只有一个答案，叫"还行"。而是查：
被子叠没叠； 地扫没扫； 插排收没收； 桌上有没有半杯过夜奶茶； - 有没有人把袜子塞进枕套，以为这就叫消失；
- 有没有人把方便面桶藏在床底，以为时间会帮他处理。
第二层 MPD：多个心理模式之间的动态互动。因为人最真实的部分，往往不在单一特质，而在冲突里：
自信 + 聚光灯效应 = 外在自信，内在焦虑； 宜人 + 嫉妒 = 真诚祝福，回家拉黑； 尽责 + 怕失败 = 凌晨两点反复检查邮件，发现把"老师"打成了"老湿"，从床上弹起来撤回，撤回失败，从此辍学。
这才是人格的高级形态——表面波澜不惊，内部互相打架，最后输出一句"嗯嗯"。"嗯嗯"是"都行"的高阶版。需要至少五年共同生活经验破译。
八、训练：别给AI上职场礼仪课，会废的
论文用 HUMANLLM 数据训练 Qwen3。混合三类数据：
反直觉发现：只用 OpenThoughts + CoSER，模型反而变差。IPE 掉53%，MPD 掉43%。
这就像一个人本来挺有个性。上了三个月职场礼仪课。最后只会三句话："好的收到。" "辛苦老师。" "我这边都可以。"
你不能说他没礼貌。但他也不像人了。他像一个被Word模板替换过身体的人。你跟他打招呼，他自动回复。你给他放假，他自动加班。你说他像个机器人，他自动微笑。最后公司年会让他上台讲两句。他说："好的收到，辛苦老师，我这边都可以。"全场鼓掌。他被评为年度员工。
HUMANLLM数据的作用，就是给模型加心理锚点。提醒它：人不是永远讲道理。人很多时候是在讲道理的同时，偷偷给自己找台阶；找完台阶还要发条朋友圈，配文"成年人的体面"；发完三分钟后删掉，怕领导看见说他不够拼。
九、成绩单：不是天下第一，是尺子更细
观察三条：
第一，Gemini 3 Pro 最强。 闭源大模型在复杂心理表达上确实有优势。烧的电多，会的内耗也多。它的内耗大概是按瓦时收费的。你的内耗是免费送的——还附赠失眠。
第二，HUMANLLM-8B 的 MPD 70.1，超过 Qwen3-32B 的 66.0。一个小模型补了心理课，反超大模型。像什么呢？像一个学历不一定最高，但太懂办公室的人。这种人每次裁员都裁不到他。裁到他那一刻，老板都得犹豫——"这人走了，谁帮我看王总脸色？"
第三，GPT-5 在 IPE 上只有15.7。 论文说它"过度遵循指令"。也就是说，你让它"随便聊聊"。它给你输出一份会议纪要。带目录，带版本号，带"如有疏漏请不吝指正"。最后一句是"以上汇报完毕，感谢领导聆听。" 然后它把自己cc给自己。
十、外部测试：出了自家考场，分数就缩水了
提升不算爆炸。说明 HUMANLLM 擅长"心理过程"，外部基准更测"行为结果"。
外部基准问："你最后辞职没？"——这叫结果。HUMANLLM问："你辞职前那三个月，凌晨两点在想啥？"——这叫过程。
很多评测只看你有没有走出门。这篇论文想看你走出门之前在玄关站了多久。站够十分钟的算合格。站够半小时还系了三次鞋带的，我们这边叫"中国式辞职"。最后没走的，叫"再忍一年攒够首付"。
十一、人类专家 vs LLM评委：Checklist让大家别靠感觉吵架
论文让 GPT-5-mini 和 3 位人类专家在20个场景上分别打分。
传统打分：人和AI在"像人"上差32.2分，相关系数0.41。Checklist打分：IPE 差0.4分（r=0.91），MPD 差3.3分（r=0.88）。
问大问题大家吵架，问小问题大家对齐。
这就像家庭群吵架。你问："你到底爱不爱这个家？"——这题没法答。答了就输。不答也输。你问："你今天倒垃圾了吗？"——这题至少能查监控。查完发现你确实没倒。但你可以反问："那你今天问我妈生日了吗？"——这就叫人类对Checklist的反向调用，专业术语叫"开盒"。
Checklist 的意义就是把玄学变成可核对项。它不能解决问题，但至少让你们在吵架前先核对一下事实。这已经领先全国90%的家庭群了——剩下10%已经退群。
十二、聪明的地方：它承认"像人"不一定等于"更好"
很多AI论文目标写得很光明：更智能、更可靠、更有帮助。
HUMANLLM比较尴尬，它要做的是：更像人。更像人，听起来像优点，写在简历里就成了缺点。
更像人意味着：更会偏见、更会防御、更会嫉妒、更会自我合理化、更会拿捏情绪。
这就像你终于训练出一个特别懂人情世故的AI。好消息：它懂你。坏消息：它也懂怎么让你点链接。更坏的消息：它点完链接还发朋友圈表达对生活的无奈，赚一波同情。最坏的消息：评论区第一条是它的小号，回复："姐姐挺住。"
所以论文的伦理部分不能当客套话看。拟人化不是单向度的好词。AI越像人，就越容易继承人的温暖——也越容易继承人的微商基因。温暖是开关，微商是默认值。
十三、强处：把"人味儿"拆成了工程问题
三点：
第一，它没停在"角色设定"——它问persona背后的心理机制、什么场景触发、多模式碰撞会怎样。比"你是一个内向的人"细多了。"你是一个内向的人"这种prompt，跟相亲简介里"性格开朗"是一个段位。翻译成大白话都是："请自行脑补，本人概不负责。"
第二，它把场景做成了发动机——场景不是背景，是触发器。没有场景，人格只是简历。有了场景，人格才开始露馅。人不靠介绍认识，人靠互相露馅认识。婚姻能维系几十年，靠的不是当初的承诺，是双方都掌握了对方足够的露馅证据。这叫核威慑。
第三，它认真处理了评估——意识到"问LLM好不好"会被亲社会偏好污染。所以做了IPE和MPD。这不是完美答案，但至少不是"你觉得好不好"——这话现在连甲方都不好意思问了。甲方现在改问："你觉得这个方案有没有更好的可能性？" 翻译过来是同一句话，但显得他读过书。
十四、弱处：心理学被做成数据，也会损失东西
第一，模式库 ≠ 真实心理。244个模式很丰富。但你今天为什么不高兴？可能不是认知偏差。可能只是没睡好。或者外卖少给了一包醋——这一包醋足以毁掉一个西北人的精神世界。而南方人则会因为一包多给的醋陷入更深的恐慌：他是不是想暗示什么。
第二，合成数据有合成味。LLM生成的人类互动，仍然带着模型对人类的想象。就像一个没怎么上过班的人写职场剧。他知道"会议""汇报""绩效"。但他不知道，打印机卡纸足以让一个部门集体失去信仰。他更不知道，茶水间的咖啡机最后那一杯，是引发离职率上升的主要原因。
第三，跨文化问题。心理学理论多来自 WEIRD 人群——西方、受教育、工业化、富裕、民主社会。同样是内向：美国人的内向是"不爱聚会"。中国人的内向是"亲戚问我工资时希望地板裂开"。日本人的内向是"在电车上不小心碰到别人手肘，回家写3000字反省。"而东北人没有内向。东北人只有还没喝够。
第四，长期一致性还没解决。今天焦虑，明天自信，后天突然人生导师。人也会变。但你得变得有原因。没原因的反复横跳，那不叫人格——那叫MBTI测了七遍。测到第八遍你会发现，你已经不是I也不是E，你是E. coli。
十五、如果把这篇论文讲给我妈听
我可能会这么说。
妈，AI现在会聊天了。但它以前那种会聊天，像过年亲戚问你工资，你说"还行"——听起来正常，但没啥内心。
这篇论文想让AI学会：人说"还行"的时候，可能一点也不还行。人说"我不在乎"的时候，可能已经在乎三天了。人说"祝你幸福"的时候，可能刚把朋友圈权限改成三天可见。人说"在忙"的时候，可能正盯着天花板研究有几个圆点。
它给AI整理了244种人类心理模式。又造了11359个场景。让AI在场景里练：怎么嘴硬、怎么内耗、怎么表面大方、怎么暗自较劲、怎么在"我很好"和"我完了"之间反复横跳。
我妈可能问：那它学这个干啥？我说：为了让AI更像人。我妈沉默一下，说："人这玩意儿，有啥好学的。"
这句话是这篇论文的终极伦理审查。免费。中国妈妈，人形Checklist。244个心理模式她一个人就够，附送语音播报、自动唤醒、远程开盒。关键是，她对你的Anthropomorphism打分常年85分以上，跟Claude Sonnet 4.5齐平。
十六、最后一句：别教AI演人，教它别演得太像客服
这篇论文最核心的贡献，能压成一句话：它把"像人"从表面话术，推进到底层心理机制。
以前我们问AI：你能不能像一个人说话？HUMANLLM问得更细：
你能不能像一个人那样矛盾？ 像一个人那样防御？ 像一个人那样嘴上没事，心里开会？ 像一个人那样，在特定场景里，被某个小按钮突然按亮？ - 像一个人那样，发完消息盯着对方"正在输入"的小字看十分钟，最后等到一个"嗯"？
这比普通角色扮演深多了。当然，它没解决所有问题。它不是通往"真实人类"的最后一公里，更像刚从小区门口出发。而且小区门口还有个保安拦着问："你找谁？"——这个保安，就是审稿人。保安身后还有居委会大妈："你做什么的？带身份证了吗？"——这是Meta-Reviewer。再往里有个跳广场舞的阿姨："小伙子常回家看看啊。"——这是Area Chair，她不审你paper，她审你人生。
但方向挺重要。因为以后AI如果真要陪伴、协作、参与心理任务，它不能只会说漂亮话。漂亮话太容易了。难的是知道人为什么不漂亮。以及在不漂亮的地方，还能不能保持诚实、克制和安全。
所以这篇论文看完，我最大的感受是——
AI终于开始学人类了。但愿它学点好的。别光学我们半夜两点复盘"好的收到"到底是不是阴阳怪气——那不叫智能，那叫焦虑。人类已经够多焦虑的了，再训练一个，地球该排队挂心理科。——挂号费不贵，难的是抢号。AI抢得过你吗？抢不过。它太懂规矩了。
