WAIC模型展示读心术，现场火爆

背景

2026年世界人工智能大会（WAIC）现场，1100多家企业、10万平方米展区，几乎每家展台的屏幕上都闪烁着“Agent”字样。但行业的焦虑并未因此消散：算力内卷已到尽头，AI Agent究竟如何进入企业核心业务、真正创造价值？在一片技术喧嚣中，特赞科技（Tezign）展出的“主观世界模型”（Subjective World Model，SWM）提供了一条新思路——它从根本上质疑了用大语言模型（LLM）去猜测消费者心思的可行性，并给出了一套基于认知心理学的四层异构数据协同训练架构。

核心内容

SWM的设计起点是一个认知心理学已知事实：人的“自我报告偏好”与“真实决策权重”之间存在系统性偏差，这种偏差可测量、可建模。因此，SWM放弃了LLM直接生成persona的路线，转而采用四层异构数据协同训练，每层针对不同子任务，使用不同数据源和建模目标，推理时四层联合打分。

Layer 1：表达层（Expression Layer）
数据来源：数十亿条社交平台原生语料。
目标：构建语言风格向量到demographic/psychographic特征的高维映射。
技术本质：有监督的representation learning。输入为用户历史文本序列，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的用户在embedding空间中自然聚集，形成persona anchor。表达层本身不是壁垒，但其价值在于为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。

Layer 2：叙事层（Story Layer）
数据来源：数万小时一对一深度访谈语料，单次访谈1-2小时，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：序列因果建模任务，而非分类或生成。训练目标不是预测“下一句话”，而是识别访谈叙述中的trigger event → consideration formation → decision point → post-purchase rationalization的完整因果链，并将其结构化为有向因果图。
合成数据在这一层完全失效：真实受访者的叙述具有跨情境的因果一致性（causal consistency），同一人在不同购买场景中，核心动机结构会以不同形式反复出现，形成可识别的“动机签名”。LLM生成的模拟访谈数据没有这个属性，因为LLM在每个token步骤独立预测，不维护跨情境一致的内在状态。合成语料在Cognition Layer和Behavior Layer的交叉验证中会系统性失败——相当于一个内置的抗合成机制。

Layer 3：认知层（Cognition Layer）
数据来源：行为判断问卷、Schwartz Value Survey、Big Five Inventory等标准化量表。
目标：个体的价值权重向量（value weight vector）和风险偏好系数。
技术本质：建模stated preference与revealed preference之间的gap——即“消费者说他在意什么”与“消费者实际决策时权衡什么”之间的差值函数。训练目标是在Story Layer提供的行为叙述和量表测量结果之间建立校正映射，输出个体的真实价值权重向量。

Layer 4：行为层（Behavior Layer）
数据来源：经济博弈实验数据（ultimatum game / public goods game / trust game）+ 真实交易记录。
目标：行为经济学参数估计——loss aversion coefficient λ、hyperbolic temporal discounting rate δ、social norm sensitivity γ。
技术本质：基于prospect theory的参数化个体建模。这些参数在跨情境行为预测中起关键作用：当模型遇到out-of-distribution场景（历史数据中未见过的新产品类别或购买情境），需通过这些基础参数外推反应，而非依赖历史pattern匹配。这是SWM能在新产品研究中有效工作的底层原因。

四层协同推理：如何输出AI Persona
训练完成后，SWM对每个目标persona维护一组联合状态：表达层的语言风格嵌入、叙事层的动机因果图、认知层的价值权重向量、行为层的经济学参数。
推理时，给定一个新研究prompt（如“你对这款新包装设计有什么看法”），四层联合打分：表达层决定语言风格和情绪色彩，叙事层调用相似情境下的动机结构，认知层校正自我报告偏差，行为层注入跨情境稳定的行为倾向参数。
输出的AI Persona在连续追问下维持一致的内在状态——这是与LLM直接生成persona的本质区别：LLM的persona是stateless的，每次回答独立生成；SWM的persona是stateful的，有一个跨prompt持续存在的内在状态。
量化结果：行为模拟准确率85%（对比真人深访基准）。30万+ AI Persona（社交数据扩散），1万+高精度AI Persona（深访语料直接训练），交付<30分钟。
注：atypica是基于SWM构建的智能体；Gamelab是atypica为确保AI模拟准确性的核心Evals手段，通过让真人和AI Persona完成相同的经济学行为实验，对比决策数据，量化校准模拟准确度，目标是让AI Persona与真人的数据无限接近。

从理解到执行：GEA企业级智能体架构
SWM负责“理解消费者”，特赞团队进一步研发了GEA（Generative Enterprise Agent）企业级智能体架构，负责“执行面向消费者的任务”。两者构成理解-执行的完整链路。
GEA的编排层由特赞自研的发散推理模型（Creative Reasoning Model）驱动——这是中国首个备案的发散推理领域大模型，核心设计是在收敛前先穷尽发散可能性，而非直接走beam search到最优解。该特性在创意内容生成、方案设计等需要探索解空间的任务上有显著优势。
执行层调用400+模块化Agent Skill，单次任务可协调30+基础模型。Context System作为企业知识的持久化存储层，将品牌DNA、历史洞察、产品库、素材库等结构化为智能体可检索的上下文，解决多轮任务中的上下文漂移问题。
目前，该架构已在内容营销、洞察研究、产品创新、设计创作等业务场景大规模部署，月均Token部署量超100亿，覆盖全球50+国家和地区。

关键要点

• SWM与LLM的根本区别：LLM的persona是stateless，每次回答独立生成；SWM的persona是stateful，有跨prompt持续存在的内在状态，从而在连续追问