Humans& 发布 Persimmon：面向多用户对话的人类行为模拟模型

AI 研究团队 Humans& 近日发布了一款名为 Persimmon 的大规模「用户模型」（user model），专门用于在多轮、多人对话场景中模拟真实人类的行为。与常见的聊天大模型不同，Persimmon 的目标不是给出「最优回复」，而是在统计意义上复现人类回复的多样性与分布——既覆盖同一个人在不同情境下的差异，也覆盖不同人之间的差异。团队认为，前沿大模型的输出范围远比真实人类窄，若用它们来模拟用户，会显著收窄评估与环境研究所能覆盖的行为空间。

模型定位与发布形式

Persimmon 以研究预览（research preview）形式发布，同时开放 playground 与 API，供研究者调用。输入端接收一段交互场景描述以及若干模拟用户的「人设」配置，模型据此生成后续对话。该模型被设计用来：

探索个体与群体在不同情境下可能的发展路径；
评估不同决策、环境对人的长期影响；
训练 AI 去理解人类视角，并推演自身行为对人产生的作用。

评测方法：分布匹配

Persimmon 的核心主张是「用户模型应匹配人类行为的整体分布，而非追求单一最佳行为」。因此团队绕开以任务完成度为主的传统基准，采用「分布匹配」（distribution matching）思路来评估模型：让一个 LLM 裁判（judge）区分一段对话究竟是真人写的还是模型生成的，看模型能否「骗过」裁判。

基于这一思路，团队设计了 Multi-User Turing Test：裁判拿到若干组「真人组群对话」与「AI 组群对话」的样本，需要判断每组样本的来源。随机猜测的基线正确率是 50%，若模型与真人完全不可区分，裁判正确率应回落到 50%。通过增加生成回复数（k 值）与延长交互时间，可逐步提升测试难度。

关键基准结果

团队在三个数据集上进行了评测：TIDES、TutorMoments 与 Internal Workspace Conversations。在 k = 8 的设置下，Persimmon 让裁判「被骗」的比例显著高于所有对比模型：

TIDES：Persimmon 21.1% ± 0.63 pp；Nemotron Ultra Base 2.7%；Opus 0.11%；GPT 5.6 0.11%；GPT 6 (Astra) 0%；Fable 5 0%；Kimi K3 0%；GLM 5.3 0%；OSim 8B 0%。
Internal Workspace Conversations：Persimmon 18.6% ± 1.84 pp；GPT 5.6 0.89%；Nemotron Ultra Base 0.78%；Fable 5 0.44%；Kimi K3 0.44%；GPT 6 (Astra) 0.28%；Opus 0.28%；GLM 5.3 约 0.11%。

从绝对数字看，21% 的「被骗率」离 50% 的理论上限仍有相当距离，但相对于其他通用模型几乎归零的表现，Persimmon 已经把仿真人类行为的多样性显著向前推进了一档。

意义与待观察的问题

Persimmon 的意义在于把「用户仿真」从单一最佳回复的范式，转向显式建模人类行为的分布。这对以下方向尤为重要：智能体（agent）强化学习中的真实用户环境、社会模拟研究、以及红队/对齐评估中需要覆盖更广人群的场景。不过，团队在公告中尚未披露模型规模、训练数据构成与许可协议等关键细节，目前以 API 与 playground 的形式开放访问，后续开放范围与商用许可仍有待观察。