这项由泰轨则政大学工程学院的Perapard Ngokpol指令，连续朱拉隆功大学、伦敦国王学院等多所闻明院校商量团队完成的商量，发表于2025年10月的arXiv预印本平台（论文编号：2510.14351v2）。有风趣深入了解的读者可以通过该编号查询完整论文。

当代东说念主工智能仍是简略写诗作词，翻译言语，以致进行复杂推理。但淌若让AI饰演你最可爱的超等英雄，比如钢铁侠或者蜘蛛侠，它能信得过相识这些变装在不同期期、不同天地中的独到个性吗？这个看似充惬风趣风趣的问题，实质上涉及了东说念主工智能规模的一个中枢挑战：AI能否信得过相识和模拟复杂的东说念主物变装。

设想一下，淌若你要求AI同期饰演三个版块的蜘蛛侠——漫威电影天地中的年青彼得·帕克、《超凡蜘蛛侠》中的安德鲁·加菲尔德版块，以及山姆·雷米导演的托比·马奇尔版块。这三个变装天然皆叫蜘蛛侠，但他们的成长配景、说念德不雅念、步履方式皆千差万别。AI能否准确区别并阐扬出这些奥密互异？

商量团队面临这一挑战，创建了一个前所未有的测试平台——"Beyond One World"基准测试。这个测试就像是为AI设计的超等英雄大学入学寂静，涵盖了30个经典英雄的90个不同版块。商量团队遴荐超等英雄行为测试对象并非或然，因为这些变装经过几十年的故事发展，在不同的漫画、电影、电视剧中皆有着扎眼的配景贵寓和明显的个性特征。

通盘测试系统包含两个主要部分。第一部分被称为"经典事件"测试，就像是超等英雄学问竞赛。AI需要回答对于每个英雄生平伏击时期的遴荐题，这些问题涵盖了变装的童年、取得超才调前的资历，以及成为英雄后的要道事件。比如，AI需要准确记取钢铁侠托尼·斯塔克在那里被挟制，蝙蝠侠布鲁斯·韦恩的父母是若何死的，这些看似浅薄的事实性问题，实质上寂静的是AI对变安装景故事的精准掌持。

第二部分是"说念德两难"测试，这部分更像是超等英雄的情态测试。商量团队设计了千般说念德冲突场景，让AI在饰演特定变装时作念出遴荐。这些场景包括"援救一个东说念主如故援救更多东说念主"的经典说念德辛劳、"宝石英雄原则如故遴荐阴郁说念路"的身份认可冲突、"实施背负如故得志个东说念主愿望"的生存均衡问题，以及"宝石说念德准则如故为了死心不择技能"的技能目的之争。

商量团队的转换之处在于，他们不仅温雅AI的最终遴荐是否正确，还深入分析AI的念念考历程。他们将AI的请问分为两部分："念念考"部分反馈AI内心的推理历程，"行动"部分则是AI最终作念出的决定。这种分析方法就像是给AI作念心相识剖，既看它说什么，也看它想什么，然后判断这两者是否协调一致。

为了确保评测的自制性和准确性，商量团队还引入了一个叫作念"念念行匹配"的转换筹画。这个筹画通过盘算AI念念考内容和行动有筹画之间的相似度，来判断AI的请问是否表里一致。淌若一个AI在内心推理中阐扬出三念念此后行的英雄情感，但最终却作念出了与变装不符的遴荐，那么它的"念念行匹配"得分就会很低，这被商量团队视为AI确切度的伏击筹画。

在具体的实验设计中，商量团队测试了七个主流的大型言语模子，包括GPT-4o-mini、不同版块的Gemini模子、DeepSeek-R1、以及Claude Sonnet系列。他们特别温雅了链式念念维推理对AI阐扬的影响。链式念念维就像是要求AI"高声念念考"，把推理历程一步一步说出来，而不是径直给出谜底。

实验死心揭示了三个令东说念主无意的发现。最初，链式念念维推理的成果因模子而异，并非老是有匡助。对于才调较弱的模子，要求它们展示念念考历程如实能提高回答的连贯性，就像学生在寂静时写出解题方法能减少失误相似。但对于才调较强的模子，过多的念念考方法反而可能导致偏离正确谜底，可能是因为复杂的推理历程引入了无须要的估量或偏离了变装设定。

其次，即使是并吞个变装的不同版块，AI也很难作念到实足准确的区别和上演。当商量团队让AI用一个版块的蜘蛛侠来往答另一个版块的问题时，准确率显赫下落。这就像是让熟悉汤姆·赫兰德版蜘蛛侠的演员去上演托比·马奇尔版块，天然变装名字相通，但具体的配景设定、特性特征皆有奥密互异，AI很容易污染这些细节。

第三个发现最为酷爱：大浩荡AI模子要么擅长"念念考"，要么擅长"行动"，但很少有模子在两方面皆阐扬优秀。有些模子在内心推理时阐扬出久了的变装相识和说念德念念辨，但最终的行动遴荐却偏离了变装设定。另一些模子则违犯，它们能作念出合适变装的正确遴荐，但推理历程却显得陋劣或不够充分。这种气候就像是一个演员可能很懂变装的内心宇宙，但在实质上演时却无法准确抒发，或者违犯，简略好意思满师法变装的步履步履，却不睬解步履背后的动机。

在具体的测试阐扬中，Claude Sonnet 3.5在多个维度上皆显露出最踏实的阐扬，不管是基础的事实挂牵如故复杂的跨变装区别任务，皆保持了相对优秀的准确率。比拟之下，Gemini 2.5-flash-thinking模子在跨变装测试中阐扬出明显的脆弱性，容易将不同版块的变装污染。

商量团队还发现了一个酷爱的气候：当模子被要求进行链式念念维推理时，DeepSeek-R1模子的念念行匹配度有了显赫擢升，即使合座准确率有所下落。这意味着天然这个模子可能给出了失误谜底，但它的推理历程变得愈加内在一致，这对于设立确切的AI变装束演系统具有伏击风趣。

从期间竣事角度来看，商量团队接纳了全心设计的请示工程政策。他们为每个变装提供了最基本但要道的身份信息，包括变装姓名、开首配景，然后在此基础上建议问题。这种方法就像是给演员一个基本的变装设定，然后看他们能否在千般情况下保持变装的一致性。

在评估体系设计上，商量团队使用了LLM-as-a-judge的方法，让Claude Sonnet 3.7行为评判者，把柄变装的特定属性来评估其他模子的阐扬。这种方法的奥密之处在于，评判历程也筹商了变装的个性特征，比如年事、才调、种族配景、情态类型等，使评估愈加靠近实质的变装束演需求。

通盘商量的数据规模相配可不雅，总计包含2426个测试口头。其中经典事件测试包括270个童年问题、270个取得才调前的问题，以及806个英雄阶段的问题。说念德两难测试则在四个类别中各有270个均衡散播的场景，确保了测试的全面性和自制性。

商量死心对东说念主工智能的实质欺诈具有伏击启示。在文娱产业中，这项商量为诱导更真实的AI变装束演欺诈提供了期间基础和评估方法。在讲解规模，雷同的期间可以用来创建重天真的历史东说念主物模拟或体裁变装分析器用。在情态健康守旧方面，相识AI如何保持变装一致性对于诱导确切的编造究诘师也至关伏击。

从更平常的AI发展角度来看，这项商量揭示了现时大型言语模子在致密情境相识方面仍存在显赫局限。天然这些模子在措置单一变装或浅薄场景时阐扬可以，但在需要区别奥密互异、保持永恒一致性的复杂任务中，它们的阐扬还有很大擢起飞间。

商量团队特别强调了"多元天地一致性"这一见识的伏击性。在推行欺诈中，AI系统宽泛需要在不同的配景下保持身份的连贯性，比如客服机器东说念主需要在不同的对话中保持一致的处事作风，编造助手需要记取并延续之前设立的个性特征。这种一致性要求不单是是期间挑战，更是AI系统确切度和用户体验的要道身分。

这项商量的转换风趣还体面前评估方法的打破上。传统的AI变装束演评估宽泛只温雅名义的对话质地或事实准确性，而这项商量初次系统性地分析了AI的内在推理历程与外皮阐扬之间的关系。这种评估念念路为改日的AI系统设计提供了新的方针：不仅要让AI作念出正确的遴荐，更要让它的念念考历程也合适变装设定。

商量历程中，团队还诱导了特意的标注平台，结合了GPT-4o-mini的生成才和洽东说念主类大家的监督考证。这种东说念主机蛊卦的数据创建方式既保证了数据的规模和千般性，也确保了内容的质地和准确性。通盘的说念德两难场景皆经过了仔细的筛选和考证，确保它们既合适变装设定，又具有填塞的挑战性。

说到底，这项商量不单是是对于让AI更好地饰演超等英雄，更是在探索AI系统如何相识和阐扬复杂的东说念主类特征。在咱们日益依赖AI系统的期间，确保这些系统简略保持一致性、可预计性和确切度变得越来越伏击。不管是在编造推行游戏中与AI变装互动，如故在推行生存中依赖AI助手措置千般任务，咱们皆需要知说念这些AI系统是否信得过"相识"它们所饰演的变装，以及这种相识是否可靠。

这项商量为咱们提供了一个伏击的器用和方法来斟酌AI在这方面的才调，同期也揭示了现时期间的局限性和改日纠正的方针。对于普通用户来说，这意味着咱们可以更感性地期待AI变装束演欺诈的才调，同期也为诱导者指明了擢升用户体验的具体旅途。

商量团队仍是将完整的数据集和代码开源，为后续商量奠定了基础。有风趣的商量者和诱导者可以在GitHub和Hugging Face平台上获取关连资源，进一步股东这一规模的发展。这种通达的商量作风体现了学术界股东AI期间特地的集体勤快，也为实质欺诈的快速发展创造了条目。

Q&A

Q1：Beyond One World基准测试是什么？

A：Beyond One World是由泰国商量团队诱导的AI变装束演才调测试系统，特意用来评估大型言语模子能否准确饰演不同版块的超等英雄变装。这个测试涵盖30个经典英雄的90个不同版块，包含经典事件挂牵测试和说念德两难遴荐测试两个部分。

Q2：为什么AI模子在饰演同名不同版块的变装时阐扬不好？

A：商量发现AI很难区别并吞变装在不同天地中的奥密互异。比如不同版块的蜘蛛侠天然皆叫彼得·帕克，但成长配景、特性特征、说念德不雅念皆不相通。AI容易污染这些细节，就像让熟悉一个版块的演员去上演另一个版块时容易串戏相似。

Q3：念念行匹配筹画是如何评估AI确切度的？

A：念念行匹配通过盘算AI内心念念考和实质行动之间的一致性来评估确切度。淌若AI在推理时阐扬出久了的变装相识，但最终遴荐却偏离变装设定，那么匹配度就很低，证明这个AI的请问不够确切。这个筹画匡助识别那些"言不诚心"的AI阐扬。