圍觀WAIC模型「讀心術」！現場火火火火火

允中 發自 凹非寺
量子位 | 公眾號 QbitAI

如果你走進2026 WAIC的現場，最直觀的感受可能只有一個“卷”字。

1100多家企業、10萬平米的展區，目之所及，幾乎每家展臺的屏幕上都閃爍著Agent這個詞。

但“智能體”喊得越響，行業的焦慮就越明顯：算力內卷到頭了，Agent到底怎么進企業、怎么幫核心業務賺錢？

在一片技術喧囂中，一個新解法吸引了我們的注意——主觀世界模型（Subjective World Model，SWM）。

△“主觀世界模型”登上央視新聞直播間

為了搞懂這個新架構，我們順著人流擠進了特贊科技的展位。

在硬核的技術拆解面前，我們不得不承認，過去指望靠大模型（LLM）去猜測消費者心思的路子，可能從一開始就走錯了。

因為，LLM從根本上不適合用來建模人的決策。

架構設計的核心判斷

SWM的設計起點是一個認知心理學上的已知事實：人的“自我報告偏好”和“真實決策權重”之間存在系統性偏差，這個偏差是可測量的，也是可建模的。

基于這個判斷，SWM選擇了四層異構數據協同訓練的路徑——

每一層針對不同類型的“理解人”子任務，使用不同數據源、不同建模目標、不同驗證機制，推理時四層聯合打分。

Layer 1：表達層Expression Layer

數據：數十億條社交平臺原生語料

目標：構建語言風格向量 → demographic/psychographic特征的高維映射

技術本質：這是一個有監督的representation learning任務。輸入是用戶的歷史文本序列，監督信號來自用戶畫像標注（年齡/地域/職業/消費層級等）。訓練收斂后，相同demographic cluster的用戶，其語言表征在embedding空間中會自然聚集——這個embedding作為后續層的persona anchor。

表達層本身不是壁壘——社交數據可以規模化采集。

它的價值在于為Story Layer的稀疏深訪數據提供“擴散基底”：通過persona anchor將深訪persona的特征遷移到更大范圍的社交用戶群。

Layer 2：敘事層Story Layer

數據：數萬小時一對一深度訪談語料，單次訪談1-2h，產生5k-20k字非結構化文本

目標：建模行為動機的時序因果圖（causal graph of purchase motivation）

技術本質：這是一個序列因果建模任務，而非分類或生成任務。訓練目標不是預測“下一句話是什么”，而是識別訪談敘述中的trigger event → consideration formation → decision point → post-purchase rationalization的完整因果鏈，并將其結構化為有向因果圖。

為什么合成數據在這一層完全失效：

真實受訪者的敘述具有跨情境的因果一致性（causal consistency）——同一個個體在描述不同購買場景時，其核心動機結構會以不同表現形式反復出現，形成可識別的“動機簽名”。

LLM生成的模擬訪談數據沒有這個屬性，原因是LLM在每個token步驟獨立預測，沒有維護跨情境一致的內在狀態。

合成語料在Cognition Layer和Behavior Layer的交叉驗證中會系統性失敗——相當于一個內置的抗合成機制。

Layer 3：認知層Cognition Layer

數據：行為判斷問卷、Schwartz Value Survey、Big Five Inventory等標準化量表

目標：個體的價值權重向量（value weight vector）和風險偏好系數

技術本質：這一層的核心是建模stated preference和revealed preference之間的gap——即“消費者說他在意什么”和“消費者實際決策時權衡什么”之間的差值函數。訓練目標是在Story Layer提供的行為敘述和量表測量結果之間建立校正映射，輸出個體的真實價值權重向量。

Layer 4：行為層Behavior Layer

數據：經濟博弈實驗數據（ultimatum game / public goods game / trust game）+ 真實交易記錄

目標：行為經濟學參數估計——loss aversion coefficient λ、hyperbolic temporal discounting rate δ、social norm sensitivity γ

技術本質：基于prospect theory的參數化個體建模。這些參數在跨情境行為預測中起關鍵作用：當模型遇到out-of-distribution場景（歷史數據中沒有見過的產品類別或購買情境），需要通過這些基礎參數外推反應，而非依賴歷史pattern匹配。這是SWM能在新產品研究中有效工作的底層原因。

四層協同推理：如何輸出AI Persona

四層訓練完成后，SWM對每個目標persona維護一組聯合狀態：表達層的語言風格嵌入 + 敘事層的動機因果圖 + 認知層的價值權重向量 + 行為層的經濟學參數。

推理時，給定一個新的研究prompt（如“你對這款新包裝設計有什么看法”），四層聯合打分：表達層決定語言風格和情緒色彩，敘事層調用相似情境下的動機結構，認知層校正自我報告偏差，行為層注入跨情境穩定的行為傾向參數。

輸出的AI Persona在連續追問下維持一致的內在狀態——這是和LLM直接生成persona的本質區別：

• LLM的persona是stateless的，每次回答獨立生成；
• SWM的persona是stateful的，有一個跨prompt持續存在的內在狀態。

量化結果：行為模擬準確率85%（對比真人深訪基準）。30萬+AI Persona（社交數據擴散），1萬+高精度AI Persona（深訪語料直接訓練），交付<30分鐘。

注：atypica是基于主觀世界模型構建的智能體，Gamelab是atypica為了確保AI模擬準確性的核心Evals手段，通過讓真人和AI Persona完成相同的經濟學行為實驗，對比兩者的決策數據，以此量化校準AI Persona對真人的模擬準確度，目標是讓AI Persona和真人的數據無限接近。

如何從理解側到執行側？

SWM是“理解消費者”的模型，特贊的團隊更進一步，研發了GEA（Generative Enterprise Agent）企業級智能體架構——是“執行面向消費者任務”的架構。

兩者在特贊的技術棧中構成理解-執行的完整鏈路。

GEA的編排層由特贊自研發散推理模型（Creative Reasoning Model）驅動——這是中國首個備案的發散推理領域的大模型，核心設計是在收斂前先窮盡發散可能性，而非直接走beam search到最優解。

這個特性在創意內容生成、方案設計等需要探索解空間的任務上有顯著優勢。

執行層調用400+模塊化Agent Skill，單次任務可協調30+基礎模型。

Context System作為企業知識的持久化存儲層，將品牌DNA、歷史洞察、產品庫、素材庫等結構化為智能體可檢索的上下文，解決多輪任務中的上下文漂移問題。

目前，其已在內容營銷、洞察研究、產品創新、設計創作等業務場景跑通并實現大規模部署，月均Token部署量超100億，覆蓋全球50+國家和地區。

△特贊的展位，H1-C135，觀眾們在了解主觀世界模型

企業AI下半場，一個技術判斷

SWM的競爭壁壘不在于架構設計的復雜度——四層協同建模的框架本身是可以被復制的。

壁壘在于Story Layer的數據積累：十年間真實深訪語料的堆疊，加上內置的抗合成機制，使這個數據壁壘具備了自我保護能力。

當合成數據路線在Cognition/Behavior交叉驗證中系統性失敗，后發競爭者就只有一條路：從頭開始做真實深訪，追趕十年的數據積累。

這個差距不能用算力縮短。

過去兩年，企業AI的主要競爭邏輯是“接入”——接哪個大模型、能不能快速上線一個Copilot。

這個階段基本過去了。大模型API已經是商品，工程接入能力不再形成壁壘。

下半場真正拉開差距的，是對業務場景的領域理解深度，以及能否把這種理解沉淀為可持續調用的技術資產。

SWM之所以難以被追趕，本質上是它把“理解消費者”做成了有復利效應的積累，這是一個隨業務規模自動加深的飛輪。