中科院软件所与快手发布 OmniBehavior，评测大模型模拟真实用户行为的能力
首个基于真实工业日志的全链路用户行为模拟基准，把评测从“猜用户点不点”推到长序列、跨场景的决策复现，对推荐与广告离线评估有直接价值。
用大模型扮演真实用户，前提是模拟得足够逼真。现有基准多为单一场景、短序列甚至合成数据，难以检验模型能否复现复杂用户行为。中科院软件所中文信息处理实验室与快手基于快手真实日志构建了 OmniBehavior（用户行为模拟评测基准），涵盖 3500 名用户三个月、212 万条跨视频、直播、电商、广告、搜索的交互记录，论文已被 NeurIPS 2026 接收。
正文摘录
.jpg) 用大模型扮演真实人类用户，正在成为学术界与工业界共同关注的前沿方向。无论是推荐系统的离线策略验证、电商广告的转化率预估，还是社会仿真与人机交互评估，用户模拟任务都扮演着重要角色。 然而，所有下游应用都依赖同一个前提：大模型模拟的用户必须足够逼真。 现实场景中，用户的一次购买行为可能受几天前偶然刷到的短视频触发，也可能是搜索、直播观看与广告曝光多重因素叠加的结果；一次客服投诉的背后，往往积累了数周甚至更久的消费体验与情绪变化。 然而，现有评测基准大多局限于单一场景、行为序列短，甚至依赖合成数据。在这样的测试条件下，很难判断大模型是否真正具备理解和复现复杂用户行为的能力。 为了解决这一问题，中国科学院软件研究所中文信息处理实验室联合快手科技推出了 OmniBehavior，一个面向真实世界用户行为模拟的 benchmark（基准）。OmniBehavior 的目标很明确：不再让模型只在“理想化、短序列、单一场景”的用户数据上做预测，而是把它放进真实平台行为流中，检验其是否具备长序列、跨场景、异构的用户建模能力。相关成果《Towards Real-World Human Behavior Simulation: Benchmarking Large Language Models on Long-Horizon, Cross-Scenario, Heterogeneous Behavior Traces》已被机器学习国际顶级会议 NeurIPS 2026 接收。