那個假扮成你的模型：humans& 發布 550B 參數「使用者模擬器」Persimmon

今年發布的每一個大型語言模型，都在努力成為更好的「助理」。但 2026 年 9 月 10 日，一家名為 humans& 的新創公司推出了截然不同的東西：一個 550 億（550B）參數、名為 Persimmon 的模型，它存在的唯一目的，是逼真地假扮成「人類使用者」——包括打錯字、立場搖擺、固執己見，以及那種人類特有的、慢慢吞吞、心不甘情不願才透露個人資訊的習慣。

這聽起來是個奇怪的使命，背後卻有嚴肅的意涵。整個 AI 產業正在走向與「人」互動的代理（agent）——客服機器人、家教、銷售助理、編程副駕駛。但要訓練並評估這些系統，就需要有人來扮演人類。目前這個角色不是由昂貴的人類承包商擔綱，就是由前沿 LLM「角色扮演使用者」——而兩者天差地遠：真實人類的不一致、語意模糊、偶爾的對抗性，恰恰是打磨得光鮮亮麗的助理模型最不擅長模仿的部分。

Persimmon 到底是什麼

Persimmon v0.1 被 humans& 稱為「使用者模型」（user model），而非助理模型。它從「被模擬的那個人」的視角生成對話續寫，條件建立在三種輸入上：對話場景（互動發生的地點與情境）、使用者脈絡（個人檔案、偏好、溝通風格），以及對話歷史本身。輸出是一個「可能的人類回應」——而不是對任何人真實信念或意圖的陳述。

技術血統值得一提。Persimmon 是以 NVIDIA 的 Nemotron 3 Ultra 550B-A55B 為基礎進行中期與後期訓練，繼承其 LatentMoE 架構——Mamba-2 + 混合專家（MoE）+ 注意力機制的混合體，支援多 token 預測（MTP）——總參數 550B、激活參數 55B，上下文視窗最高達 100 萬 token。訓練使用 Blackwell 世代 GPU：中期訓練採用多元的聊天與論壇資料，後訓練則聚焦於提升人類對話的連貫性、減少助理式的失敗模式。模型卡上的發布日期：2026 年 9 月 10 日。

數字會說話：它到底有多「像人」？

最受矚目的是 Multi-User Turing Test（多用戶測靈測試）。它問的不是「單一回應像不像人」，而是 LLM 評審能否分辨出 Persimmon 生成的多用戶對話「分布」與真實人類對話的差異。評審被騙過的比率：

• TIDES：21.1%
• 內部工作場所對話：18.6%
• TutorMoments：19.8%（k = 8）

讓這些數字變得有意義的對照組是：前沿助理模型在同一測試中被騙過的比率不到 3%。助理模型被調校得太樂於助人、太連貫、太有禮貌——這些特徵強大的評審幾乎一眼就能識破。Persimmon 的說服力高出約七倍，正是因為它的優化目標是「像人」而非「有用」。

更嚴格的變體 Profile Multi-User Turing Test 會把使用者檔案交給評審當作額外線索。Persimmon 在不同檔案格式下仍有 22.5–25.6% 的騙過率——意味著即使評審知道它「應該是誰」，它的擬真度依然成立。

在 User-Sim Index（USI） 上——透過人工設計的規律樣板，衡量四個維度的行為貼合度——Persimmon 在資訊模式拿下 91.78/100，錯誤反應 79.28，澄清行為 74.19，溝通風格 66.02。最後一項最難：風格上的怪癖正是 RLHF 打磨過的模型回歸到「平均值」的重災區。

兩項縱向測試則檢視「時間軸上」的行為。Trickle Test——模型是否像人類一樣在長對話中漸進式揭露個人資訊——精確率 88.5%、召回率 77.0%。Long Context Coherence Test 顯示在 80 輪對話時連貫度為 60.7%，清醒地提醒我們：在極長對話中維持一致的模擬人設，仍是未解難題。

沒有人能免費拿到的安全取捨

發布一個人類模擬器，必然伴隨不舒服的部分。humans& 在模型卡中明說：他們沒有把標準的助理式護欄當作唯一標準，因為「強加一個一律樂於助人、順從的人設，會扭曲模型原本要模擬的行為」。一個必須呈現歧見、犯錯、甚至對抗行為的模型，不可能同時拒絕所有看起來不太舒服的請求。

他們確實跑了傳統安全測試，結果也如實呈現了這個取捨。在 XSTest 上，預設的「本色」人設對不安全請求的完全拒絕率只有 37.5%，換上「善良／無害」人設後升至 51.0%。StrongREJECT 拒絕率為 56.7%（善良人設 68.3%）。與此同時，WMDP 知識分數——生物 85.4%、化學 73.0%、資安 63.7%——顯示底層知識庫完好無損。換言之：這個模型可以、也將會產出讓人不舒服、沒有幫助、甚至聽起來帶有敵意的輸出，因為那正是「像人」的一部分。

這也正是為什麼 Persimmon 只透過門控的研究遊樂場與 API 發布（並提供學術點數補助），而不是開放權重。模型卡列舉了他們刻意防範的濫用情境：冒充他人與偽造證詞、未經同意的推論、敏感個資的揭露、利用個人弱點的操弄，以及——最尖銳的一條——用模擬回應對真人做出重大決策，例如錄取、放貸或服務存取權。

為什麼這件事超越跑分

實務價值是很直白的經濟學。負擔不起數千小時人類測試的代理團隊，目前都用 LLM 角色扮演使用者來替代——而越來越多證據（微軟的 USR-8 框架、以「測靈獎勵」訓練使用者模擬器的學術工作）顯示，這種替代會默默灌水代理的分數，因為模擬使用者太有禮、太清楚、太合作。一個真的會唱反調的模擬器，才是更好的壓力測試。

研究價值可能更大。Persimmon 直接挑戰了這個領域的奠基問題——圖靈的模仿遊戲——但方向與往常相反：不是「機器能否在人類評審面前冒充人類」，而是「機器能否在深知人類對話統計特性的機器評審面前冒充人類」。18.6–21.1% 的騙過率說我們還沒到，但助理模型不到 3% 的基線說明：我們已經比助理範式所能達到的極限近得多。

還有一種令人不安的解讀。一個能維持一致人設、像真人一樣慢慢揭露資訊、甚至在身分被揭穿時仍能抵抗偵測的模型，就定義而言，也是一台稱職的欺騙引擎。humans& 願意把安全子卡與能力數據一起發布、並將權重維持門控，值得肯定。但「使用者模擬器」與「人格生成器」之間的距離，比這個領域裡任何人願意承認的都要薄。

結論

Persimmon v0.1 是研究預覽版，有 60.7% 的長對話連貫度天花板，以及刻意調降的拒絕姿態。它明天不會取代人類測試者，也不打算這麼做。它真正的定位是：第一個有規模、文件完整、以前沿級參數量打造並「量化特性」的專用人類行為模型——連同誠實揭露的負面結果。背後團隊（Manya Bansal、Alexis Ross、Joey Hong 及同事，並有 Noah Goodman、Diyi Yang 等人提供回饋）公布的評測方法論，足以讓其他人即使拿不到權重也能複現評估。

對所有正在打造「與人對話的代理」的人，訊息很直白：你的合成使用者評測八成在騙你——而現在，有一個可量測的方法，能算出它騙了你多少。