機器之心發(fā)布

現(xiàn)如今，大模型越來越擅長在單輪對話中生成溫柔體貼、情緒價值拉滿的文字，然而，我們或許會懷疑：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場景中，人類之間的有效交流極少依靠單薄的漂亮話來解決問題。一句回復(fù)不僅影響著用戶當下的情緒，更會潛移默化地改變后續(xù)對話的軌跡。真正有效的共情，需要模型在長期的多輪互動之中，持續(xù)觀察并理解對方的潛在心理狀態(tài)，動態(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，當共情任務(wù)涉及復(fù)雜的隱含狀態(tài)、長期目標以及弱反饋驗證時，傳統(tǒng)的單輪評測與訓練范式便很難評估模型的真實水平。我們究竟該如何判斷模型在長線交互中是否起到了正向作用？

自然選擇團隊近期開源的兩項研究EMPAMAPO為解決這一問題提供了具體的方案。

這兩項工作跳出了傳統(tǒng)框架，試圖重新審視大模型在長程共情場景中的評測與訓練方式。前者回答「如何評測」，后者回答「如何訓練」，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，代碼倉庫與 1000 多份開源數(shù)據(jù)集也已同步開放；MAPO 論文同樣已公開，相關(guān)代碼與訓練環(huán)境也將陸續(xù)開源。

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

• 論文標題：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

第一次把共情評測推進到「過程級」

長期以來，共情評測大多停留在單輪任務(wù)，例如情緒識別、共情回復(fù)生成，或通過 LLM-as-a-Judge 給回答打分。這類方法可以評估語言是否「像人」，卻很難回答一個更關(guān)鍵的問題：模型是否真的在長期幫助用戶

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，用戶真實的心理狀態(tài)是一個無法直接觀察的潛變量（latent state），對話則是一個持續(xù)更新狀態(tài)的長期過程，而支持效果往往只能通過弱信號間接驗證。

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

為此，研究者構(gòu)建了一套完整評估框架：首先通過Real-to-Sim 數(shù)據(jù)管線，將真實但嘈雜的長對話蒸餾為可復(fù)現(xiàn)的心理場景；隨后，在一個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 與被測模型展開開放式互動；最后，通過Empathy Potential Model（EPM）在潛在心理空間中建模用戶狀態(tài)變化，從而在軌跡層面評估對話是否產(chǎn)生持續(xù)、穩(wěn)定的正向影響。

在評測方法上，EMPA 采用了Rubric-Grounded Physics Evaluation的思路。

傳統(tǒng)開放式評測通常有兩種路徑：一種是基于 rubric checklist 的逐項打分，另一種是 LLM-as-a-Judge 直接給出整體評價。但這兩種方法都存在明顯缺陷：前者容易把復(fù)雜互動壓縮成靜態(tài)指標，后者則容易受到語言風格、篇幅長度甚至表達技巧的干擾。

EMPA 的處理方式是把證據(jù)生成最終評分做結(jié)構(gòu)性拆分。在對話過程中，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 在軌跡層面對這些證據(jù)進行聚合計算，并將其映射為潛在心理狀態(tài)的變化信號。也就是說，rubric 不再直接扮演「裁判」角色，而是先變成「取證器」，真正的評分則由后續(xù)的軌跡建模來完成。

這一步非常關(guān)鍵，因為它意味著 EMPA 不只是換了個指標，而是在重新定義主觀評測范式：不再依賴單輪「印象分」，而是通過多輪證據(jù)持續(xù)更新用戶狀態(tài)，并在整段對話軌跡上評估效果，從而避免單輪高分掩蓋長期策略失效。換句話說，EMPA 關(guān)注的不再是「這句話說得好不好」，而是「整段對話是否真的幫助用戶狀態(tài)朝更好的方向變化」。這也使得長期共情能力第一次成為一個可以被系統(tǒng)研究、比較與優(yōu)化的評測問題。

實驗結(jié)果進一步表明，這種新的評測路徑在魯棒性與敏感度上，均明顯優(yōu)于傳統(tǒng)方法。

MAPO

一個面向長程多輪交互的 RL 算法

如果說 EMPA 解決的是「如何評測」，那么團隊的另一項研究MAPO則試圖回答另一個問題：如何訓練模型在這種長期對話任務(wù)中表現(xiàn)更好

在 MAPO 論文中，團隊提出了一種新的對話強化學習方法，目標是讓模型在長序列對話中既能利用逐輪反饋，又能保持長期策略穩(wěn)定性。MAPO 的核心思路，是同時引入兩類信號：

• 第一類是逐輪過程獎勵。研究者借助 EMPA 的 judge 系統(tǒng)，對每一輪回答進行評分，并借鑒 potential reward 的思路，將相鄰輪次評分變化所帶來的增量，作為當前輪次的即時獎勵，用來衡量某一次回復(fù)是否真正推動了對話向更好的方向發(fā)展。
• 第二類是長期未來回報。為了避免模型只追求局部最優(yōu)、沉迷短期修補，MAPO 進一步通過蒙特卡洛方法估計從當前回合到對話結(jié)束的累計回報，從而保留長程策略信息。

相比許多基于 GRPO 的 agentic RL 方法，這一設(shè)計同時繞開了兩個常見問題：要么只能依賴最終結(jié)果獎勵，導(dǎo)致過程信號稀疏；要么需要在每一步進行大量采樣，帶來極高的樣本復(fù)雜度。

MAPO 的具體做法是，對同一初始 prompt 采樣多條對話軌跡，并將軌跡中的每一步視作訓練樣本。

團隊進一步觀察到，即時獎勵的分布與對話輪次相對解耦，而未來回報的分布則往往與輪次強相關(guān)。因此，MAPO 分別對二者進行基于 batch 與基于 turn 的歸一化，再通過 convex combination 進行融合，從而在保留 critic-free 優(yōu)勢的同時，更穩(wěn)定地優(yōu)化長序列對話策略。

從更宏觀的角度看，這兩個工作實際上形成了一條完整的研究鏈路：EMPA 提供了長期共情任務(wù)的評測框架，而 MAPO 提供了適用于這類多輪交互任務(wù)的強化學習算法。它們共同推動「共情」從一個容易停留在主觀印象層面的概念，轉(zhuǎn)化為一個可以被系統(tǒng)研究、可復(fù)現(xiàn)比較，并進一步進入訓練閉環(huán)的技術(shù)問題。

從實驗結(jié)果看，MAPO 在 EMPA 的動態(tài)對話沙盒環(huán)境中訓練后，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 32B 模型已經(jīng)可以逼近 Claude-3.5 的表現(xiàn)，同時在其他多輪對話 benchmark 上也展現(xiàn)出較好的泛化能力。

團隊進一步指出，MAPO 本質(zhì)上并不局限于多輪對話任務(wù)，而更接近一種面向長程 agentic 場景的優(yōu)化方法。隨著相關(guān)代碼與環(huán)境進一步開源，這套方法也有機會在更多真實任務(wù)中被驗證與擴展。

隨著越來越多 AI 系統(tǒng)進入需要與用戶長期交互的「深水區(qū)」，模型能力的競爭，顯然不會長期停留在「更會說」或「更像人」這一層面。真正重要的，越來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測、可訓練、可迭代的系統(tǒng)能力。

從這個角度看，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未來會越來越普遍的問題：當大模型開始進入那些需要長期理解、持續(xù)判斷、漸進影響人的任務(wù)時，我們究竟應(yīng)該如何衡量它，又該如何把它訓練出來。