AI Info Hub · 用更短的时间看懂真正值得关注的 AI 更新
最新研究2026年4月23日 09:58阅读 0分享 0原始来源 CHORUS：用多智能体人格与时间建模合成真实协商数据
这篇 2026-04-22 发表的 arXiv 论文提出 CHORUS，用带记忆的人格化 LLM agent 加上泊松过程时间建模，生成更接近真实网络讨论节奏的 deliberation data，适合 agent 与社会模拟方向持续跟进。
CHORUS 关注的是一个经常被低估的基础问题，真实世界里高质量的协商与讨论数据并不容易拿到，平台访问受限、隐私约束和数据噪声都让这类语料很难规模化整理。论文提出的办法，是让多个 LLM agent 扮演行为一致的人格角色，每个角色都保留对讨论上下文的记忆，再用基于泊松过程的时间模型控制何时发言，从而把“谁来说、说什么、什么时候说”一起纳入生成过程。
这比常见的多轮对话合成更进一步。很多合成数据方法能生成内容，却很难复现真实讨论里的参与节奏、立场延续和互动结构，结果是数据看起来像对话，实际上不像真实协商。CHORUS 的价值就在于它把讨论过程当成一个 agent 系统来建模，而不只是把若干回复拼接成脚本，这让生成数据更适合用于训练和评测需要群体互动、长期记忆和多角色博弈能力的模型。
如果这条思路继续成熟，它可能影响两个方向。一类是 agent benchmark 和 deliberation data construction，未来评测不再只看单 agent 完成任务，而会更重视多主体互动质量；另一类是产品侧的模拟与测试，团队可以先用这类合成协商数据验证论坛助手、社区治理 agent 或群聊分析工具的行为边界，再决定是否进入真实环境。