LifeSim长程模拟器：重新定义大模型个性化评测
通用AI助手正在迅速普及，但一个核心问题始终存在：如何确认它真正理解“你”这个人？
目前，个性化助手的评测大多停留在“一问一答”的静态维度。用户需求被割裂为孤立的指令，仿佛在真空中产生。现实生活远比这复杂——你的某个想法，可能源于窗外突降的雨、手机弹出的一条推送，或是上周一次糟心的经历共同催化而成。真正的个性化，要求AI不仅听懂字面意思，更要捕捉背后那套动态、交织的“语境”——既包括你稳定的内在特质，也涵盖瞬息万变的外部环境。
长期、跨场景的真实交互数据因隐私限制极难获取，构建逼近现实的评测环境成为关键挑战。为此，来自复旦大学与上海创智学院的研究团队提出创新方案：LifeSim。这是一套用于个性化助手评测的“长程用户生活模拟框架”。目标并非复制某个具体的人，而是构建能模拟人类在复杂环境中如何思考、决策和交互的“数字替身”，为AI助手提供更逼真的“训练场”。
论文标题：LifeSim: Long-Horizon User Life Simulator for Personalized Assistant Evaluation
论文地址：https://arxiv.org/abs/2603.12152
GitHub 地址：https://github.com/dfy37/lifesim
Demo 链接：http://fudan-disc.com/lifesim/
图 1：基于长程时空上下文的个人AI助手。用户行为随外部环境动态演化，同时映射出稳定的个人特质。为实现有效响应，模型需在适配当前上下文的同时，利用交互历史推断用户状态，动态调整策略。
融合BDI理论的模拟框架：LifeSim
LifeSim的核心在于同时模拟用户的“内在认知”与“外部环境”。框架由四部分构成：用户画像、基于信念-愿望-意图（BDI）的认知引擎、基于环境约束的事件引擎，以及最终的用户行为引擎。
图 2：LifeSim框架概览。针对每个目标用户，其用户画像包含人口统计学属性、人格特质与长期偏好，这些要素构成长期信念状态。基于BDI模型的认知引擎与事件引擎协同，将主观信念状态与物理环境融合，生成用户意图。随后，用户行为引擎通过记忆感知、情绪推理与行为选择建模，输出对话内容。
为体现用户多样性，研究团队构建了百万级用户画像池。每个画像包含人口统计属性、基于大五人格模型的人格特质，以及长期偏好，构成模拟用户的“长期信念”。
那么，一个模拟的“数字用户”如何思考？这里采用经典BDI模型：
- 信念：用户所知或所信的内容，包括长期画像信息与短期情境认知。
- 欲望：被激发的需求，源自真实用户需求库。
- 意图：最终形成的行动倾向。LifeSim综合用户画像、近期经历及当前环境（如时间、地点），生成合理意图。
仅有内在认知还不够——生活由连续事件串联。LifeSim的事件引擎基于真实出行轨迹数据，融入时间、地点等环境因素，为用户生成连贯的生活事件序列。需求不再是凭空出现，而是自然“涌现”于具体生活场景中。
最后，用户行为引擎将内部认知与外部事件转化为具体、多轮的对话行为。它综合考虑记忆、情绪等因素，确保回复既符合用户一贯画像，又与当前上下文相关，自然流畅。自动化与人工评估均验证了该行为引擎的效力。
表 1：基于不同模型基座的用户行为引擎在四个维度上的性能表现。
更贴近真实世界的评测环境：LifeSim-Eval
基于上述模拟框架，团队进一步构建了LifeSim-Eval评测基准。与传统评测相比，它特别关注三个更深层次的问题：
- 模型能否识别并满足用户的显性意图和更困难的隐性意图？后者需结合用户画像与场景推断。
- 模型能否在长期互动中逐步重建出准确的用户画像？
- 模型回复是否符合用户画像并保持一致性？
LifeSim-Eval利用LifeSim模拟了120个不同用户，在1200个评测场景中进行交互，覆盖8个常见生活领域。评测设置两种模式：
- 单场景模式：AI助手仅基于当前场景，与模拟用户进行最多20轮对话。
- 长时程模式：AI助手需结合与同一用户的历史交互记录，响应当前场景，这对长期记忆与推理能力提出更高要求。
评测指标涵盖意图识别与完成度、偏好重建、画像对齐，以及回复的自然度与连贯性。
实验结果与关键发现
研究团队在GPT-5、GPT-4o、Claude Sonnet 4.5，以及DeepSeek-V3.2、Qwen、Llama、gpt-oss等多个主流开源与闭源模型上进行了系统评测。结果揭示了一些值得关注的发现：
1. 显性意图较强，隐性意图明显更难
在单场景测试中，大多数模型对用户直接表达的需求（显性意图）处理不错。然而，面对需要推断“言外之意”的隐性意图时，所有模型在各项指标上平均下滑超过20个百分点。这清晰地表明：当前模型在处理明确指令上已相当熟练，但在结合背景推理、理解深层意图方面，仍有巨大差距。
表 2：主流模型在LifeSim-Eval上的评测结果。
2. 长程对话进一步放大隐性意图处理难度
进入长时程模式后，问题更加显著。模型对显性意图的完成率尚能保持稳定，但对隐性意图的完成能力明显下滑，且随历史对话长度增加，下滑趋势加剧。这说明，现有模型或许能记住长上下文中的事实，但要从长期互动中提炼用户状态与偏好变化并进行有效推理，能力依然欠缺。
图 3：不同助手模型的长时序意图完成性能。热力图展示意图完成度（I.C.）得分随对话长度的变化。
3. 简单记忆机制收益有限
一个自然想法是：让模型在每次对话后总结用户偏好，是否就能记住得更准？实验测试了这种“画像记忆机制”。结果发现，这种做法对重建用户偏好确实略有帮助，但效果不稳定，有些模型甚至几乎没有改善。这指向更深层问题：长期个性化能力的瓶颈，或许不在于“记不住”，而在于模型缺乏稳定的、基于长期证据进行偏好推理的能力。
图 4：用户偏好还原性能随场景数量增长的变化。
4. 不同意图类型和主题上的表现不均衡
不同意图类型下的模型相对性能。
不同意图主题下的模型相对性能。
进一步分析发现，模型在不同类型意图和不同生活主题上的表现差异显著。例如，处理任务导向的显性需求（如“订机票”）与需要情感推理的隐性需求（如“安慰情绪低落的朋友”）时，性能波动很大。这种“偏科”现象提醒我们，打造全能个性化助手，需要在不同领域进行更精细化的优化。
5. 模型存在三类典型问题
通过具体案例分析，研究总结出当前模型在扮演长期个性化助手时，最容易暴露的三种缺陷：
- 推理僵化：模型容易一条道走到黑，当用户中途增加新约束时，缺乏灵活调整策略的能力。
- 主动追问不足：即使在关键信息缺失时，模型也倾向于直接给出可能不准确的建议，而非主动询问、澄清用户需求。
- 用户画像利用不足：模型虽“知道”用户某些偏好（如不爱吃辣），但在生成具体建议时，却常忘记应用这些信息。
表 3：各模型的主动询问占比与僵化推理占比
总结
LifeSim与LifeSim-Eval的提出，标志着个性化助手评测从静态、短上下文任务，向动态、长程的生活化交互场景迈出了系统性一步。该框架通过同时建模用户认知与物理环境，并区分显性与隐性意图，勾勒出一幅更贴近现实的应用图景。
实验结果给当前的AI助手热潮敲响了警钟：尽管它们在处理明确指令上已驾轻就熟，但在理解深层意图、构建长期用户心智模型方面，短板依然明显。真正的“个性化”，远不止于记住名字和喜好，更在于那种贯穿始终、动态的“懂得”。
此外，LifeSim提供的逼真模拟环境，不仅是一个评测工具，也可能成为未来生成高质量个性化交互数据、训练更智能助手的新途径。通往真正“懂你”的AI之路，或许正需要这样一面更清晰的镜子。