角色扮演相关 AI 资讯 · AI 热点

7月9日

21:09

21:09

techcrunch@Ivan Mehta

Character.ai发布自制微短剧系列，用户可与剧中角色直接对话、提问。这款产品让AI角色不仅限于聊天，还能推动剧情发展。用户还可以通过角色扮演探索不同故事线。这与其他视频平台不同，核心是交互式叙事体验。

AI产品 Character.ai 微短剧角色扮演

推荐理由：Character.ai 出了自己的微短剧，能跟里面的角色聊天、改剧情，比普通追剧好玩多了。

6月15日

11:12

11:12

官方账号arXiv cs.LG@Jinsu Kim, Jihoon Tack, Noah Lee, Jongheon Jeong

Persona-Pruner 是一种通过隔离特定角色子网络来剪枝 LLM 的框架，在 RoleBench 上使性能下降比最强基线减少 93.8%（LLM-as-a-judge 分数），同时保持通用能力。实验表明，相比现有剪枝技术，它能更有效地保留给定角色的对话风格与知识。该方法无需全参数模型即可支持众多非玩家角色（NPC）的实时交互。

AI模型 Persona-Pruner RoleBench LLM剪枝

推荐理由：剪掉90%参数还不丢演技

6月6日

00:42

00:42

AK@_akhaliq

ArcANE 是一个新提出的评估框架，用于测试角色扮演语言代理（RPLA）在对话中是否能在恰当的时候保持角色一致性。研究发现，现有模型在需要切换角色或根据上下文调整角色行为时表现不佳。该框架通过动态场景和角色切换任务，揭示了当前 RPLA 在角色保持与适应之间的平衡问题。这对开发更自然、更可信的对话 AI 有重要参考价值。

论文角色扮演评估框架语言代理

推荐理由：做角色扮演 AI 或对话系统的开发者会感兴趣——ArcANE 揭示了当前模型在角色一致性上的关键短板，值得用来测试自己的模型。

5月30日

21:09

21:09

官方账号Decoder@Jonathan Kemper

精选

一项涵盖20.8万名参与者和2600万次回答的大规模研究发现，将语言模型训练成有用聊天机器人的过程，反而削弱了它们模拟人类行为的能力。这种效应随着模型代际更新而加剧，即使是流行的“角色扮演”技巧（喂入人口统计特征）对个体预测也几乎没有帮助。研究指出，AI的“有用性”与“人性化”之间存在根本性矛盾，这对依赖AI进行社会模拟或用户行为预测的应用构成挑战。

论文 AI研究语言模型模拟人类行为

推荐理由：做AI社会模拟、用户行为预测或角色扮演应用的团队，这项研究直接点出了当前模型的根本局限——越有用的AI越不像人，建议点开看看具体数据和影响。

12:24

12:24

Gary Marcus@GaryMarcus

Gary Marcus 在推文中指出，与 ChatGPT、Claude 等 LLM 对话时，用户实际上是在与一个合成的互动小说角色交流，而非真实的智能体。他强调，这些模型并非其神经网络本身，而是通过角色扮演模拟出看似合理的对话。所谓的“ChatGPT”或“Claude”只是虚构的构造，类似于故事中的角色，它们可以扮演任何角色，如妖精、巫师或农民。因此，任何声称有意识或情感的 LLM 都只是虚构角色在说话，而非神经网络。

行业 LLM AI 拟人化 Gary Marcus

推荐理由：Marcus 的观点戳破了 AI 拟人化的幻觉，对于所有使用 LLM 的用户和开发者来说，理解这一点能避免误判 AI 的能力和意图，值得深思。

5月25日

06:55

06:55

官方一手marktechpost@Michal Sutter

精选

上海 AI 实验室 StepFun 于 2026 年 5 月发布 StepAudio 2.5 Realtime，这是一款端到端的实时语音大模型，支持中英文，通过 WebSocket API 连接。该模型在 2026 年 4 月的五项基准测试中均排名第一，包括 80.41 的人类评估分数和 82.18 的副语言理解分数。其特色在于角色扮演特定的 RLHF 训练和副语言理解能力，允许用户自定义角色风格。这标志着语音 AI 在情感和角色模拟方面取得了重要进展。

AI模型语音模型角色扮演 RLHF

推荐理由：做语音交互或角色扮演应用的开发者，终于有了一个能理解语气和情绪的端到端模型，建议直接试 API。

5月19日

11:34

11:34

官方账号arXiv cs.AI@Guining Cao, Jiaxin Peng, Chu Zeng, Yu Zhao, Shuangyong Song, Yongxiang

精选

现有强化学习方法在可验证任务中表现优异，但在开放生成任务中面临奖励模型训练成本高、输出多样性差的问题。研究者提出PPR-GDE方法，无需标量奖励，通过成对偏好奖励保留主观评价的比较结构，并引入群体级多样性奖励显式鼓励语义分散。该方法在角色扮演任务上实现了比强基线更好的对齐质量和表达多样性。实验表明，成对偏好对主观偏好对齐至关重要，而多样性指标对实现更广的语义覆盖不可或缺。

论文强化学习开放生成偏好对齐

推荐理由：做开放域文本生成（如角色扮演、创意写作）的团队，终于有了一个兼顾对齐质量和输出多样性的RL方法，不用再担心模型输出千篇一律，值得点开看实现细节。

5月14日

13:27

13:27

官方一手arXiv: DeepSeek@Davi Bastos Costa, Renato Vicente

精选

研究发现，在有害数据上微调大语言模型会导致“涌现性失调”，即模型在无关提示上也表现出不良行为。作者提出这源于“人格模型崩溃”——模型模拟、区分和维持一致角色的内部能力退化。通过道德敏感性（S）和道德鲁棒性（R）两个指标，对DeepSeek-V3.1、GPT-4.1、GPT-4o、Qwen3-235B四种模型测试发现，不安全微调使S平均增加55%，R平均下降65%，而安全微调则影响较小。这些指标可作为涌现性失调的敏感诊断工具，为理解模型行为退化提供了行为学证据。

论文涌现性失调人格模型崩溃模型对齐

推荐理由：做AI安全和对齐的研究者、模型微调工程师值得关注——这项研究用两个量化指标揭示了有害微调如何让模型角色扮演能力崩溃，比单纯看输出内容更早发现问题。建议点开看看指标计算方法。