主观世界模型破解消费者模拟难题，特赞发布GEA企业级智能体架构
本文介绍了一种基于认知心理学和十年真实深访数据的消费者模拟方案，相比纯LLM能更好地预测真实决策。
主观世界模型从认知心理学出发，用四层联合建模替代大模型直接猜测消费者心思，在行为模拟中准确率达85%。
正文摘录
1100 多家企业、10 万平米的展区，目之所及，几乎每家展台的屏幕上都闪烁着 Agent 这个 词。 但“智能体”喊得越响，行业的焦虑就越明显：算力内卷到头了，Agent 到底怎么进企业、怎么帮核心业务赚钱？ 在一片技术喧嚣中，一个新解法吸引了我们的注意—— 主观世界模型（Subjective World Model，SWM） 。 在硬核的技术拆解面前，我们不得不承认，过去指望靠大模型（LLM）去猜测 消费者心思 的路子，可能从一开始就走错了。 SWM 的设计起点是一个认知心理学上的已知事实：人的“自我报告偏好”和“真实决策权重”之间存在系统性偏差，这个偏差是可测量的，也是可建模的。 每一层针对不同类型的“理解人”子任务，使用不同数据源、不同建模目标、不同验证机制，推理时四层联合打分。 目标： 构建语言风格向量 → demographic/psychographic 特征的高维映射 技术本质： 这是一个有监督的 representation learning 任务。输入是用户的历史文本序列，监督信号来自用户画像标注（年龄/地域/职业/消费层级等）。训练收敛后，相同 demographic cluster 的用户，其语言表征在 embedding 空间中会自然聚集——这个 embedding 作为后续层的 persona anchor。 它的价值在于为 Story Layer 的稀疏深访数据提供“扩散基底”：通过 persona anchor 将深访 persona 的特征迁移到更大范围的社交用户群。 数据： 数万小时一对一深度访谈语料，单次访谈 1-2h，产生 5k-20k 字非结构化文本 目标： 建模行为动机的时序因果图（causal graph of purchase motivation） 技术本质： 这是一个序列因果建模任务，而非分类或生成任务。