معهد البرمجيات التابع للأكاديمية الصينية للعلوم وKuaishou يطلقان أول معيار لمحاكاة المستخدمين بواسطة LLM

قدّم معهد البرمجيات التابع للأكاديمية الصينية للعلوم وKuaishou معيارًا يختبر ما إذا كان النموذج اللغوي الكبير قادرًا على أداء دور مستخدم بشري حقيقي بصورة مقنعة. ويصفه المؤلفون بأنه الأول من نوعه: فهو يستند إلى بيانات حقيقية ويغطي سلسلة السلوك كاملة، لا فعلًا منفردًا. وقد قُبل البحث في NeurIPS 2026. ولا يتضمن المقتطف المتاح من مادة Jiqizhixin حجم مجموعة البيانات ولا قائمة النماذج المختبَرة ولا الأرقام النهائية، لذلك نعرض ما أُعلن عنه وما يجدر التحقق منه في الورقة الكاملة.

لماذا أصبحت محاكاة المستخدمين نقطة اختناق

المستخدمون البشر مكلفون. فاختبار A/B الحي في نظام التوصية يستهلك حركة مرور ووقتًا، ويعني تجارب محفوفة بالمخاطر على جمهور فعلي. لذلك تحاول الصناعة استبدال جزء من البشر بنماذج: تشغيل استراتيجية ترتيب جديدة على جمهور افتراضي، وتقدير معدل التحويل في الإعلانات قبل إطلاقها، ومحاكاة ردّ فعل المجتمع على تغيير في المنتج.

تقوم كل هذه السيناريوهات على افتراض واحد: أن المستخدم المحاكى يتصرف كما يتصرف المستخدم الحقيقي. وإن لم يكن كذلك، فالتقييم دون اتصال عديم الفائدة. بل أسوأ من ذلك، فهو مضلِّل، لأنه يبدو مقنعًا بينما استنتاجاته خاطئة.

ويشير مؤلفو المعيار إلى الصعوبة الرئيسية. فقد تكون عملية الشراء في الحياة الواقعية نتيجة شيء رآه الشخص مصادفة قبل أيام. والقرار يتشكل من تاريخ طويل من نقاط التماس، لا من الشاشة الأخيرة. والنموذج الذي يخمّن النقرة التالية جيدًا لا يعيد بالضرورة إنتاج هذا المنطق.

ماذا تعني «السلسلة الكاملة»

يتضح من الاسم والوصف أن المعيار يقيّم السلوك بوصفه تسلسلًا من الأحداث المترابطة في بيئة حقيقية، لا مجموعة من التنبؤات المنفصلة. وبالنسبة إلى منصة بحجم Kuaishou، حيث يشاهد المستخدم مقاطع فيديو قصيرة ويتفاعل مع المحتوى ويشتري، فهذا إطار طبيعي. وتشمل السلسلة هنا المشاهدة وردّ الفعل والقرار المؤجل.

ومشاركة Kuaishou مهمة لسبب عملي. فالسجلات الحقيقية لسلوك المستخدمين متوافرة لدى المنصات، وعادةً لا تتوافر لدى المجموعات الأكاديمية. وقد اعتمدت معظم الأعمال السابقة في المحاكاة على شخصيات اصطناعية أو على مجموعات بيانات عامة صغيرة، يسهل فيها تحقيق نتيجة جميلة في ظل اختبار ضعيف. أما معيار مبني على بيانات منصة حية فيرفع السقف.

ما هو معروف من المصدر:

• المؤلفون: معهد البرمجيات التابع للأكاديمية الصينية للعلوم وKuaishou؛
• المنصة: NeurIPS 2026؛
• الوضع: أُعلن عنه بوصفه أول معيار للمحاكاة يعتمد بيانات حقيقية وسلسلة سلوك كاملة؛
• السيناريوهات: التحقق دون اتصال من استراتيجيات التوصية، والتنبؤ بمعدل التحويل في الإعلانات، والمحاكاة الاجتماعية، وتقييم تفاعل الإنسان مع النظام؛
• ما لم يُكشف عنه في المقتطف: حجم البيانات، وقائمة النماذج، والمقاييس، والنتائج النهائية.

كيف تُقرأ هذه المعايير عمليًا

ما دامت الورقة الكاملة غير متاحة، فهناك عدة أسئلة ينبغي طرحها على أي معيار لمحاكاة المستخدمين.

الأول: بماذا يُقارَن النموذج. نقطة المقارنة الصحيحة ليست الاختيار العشوائي، بل طرق إحصائية أساسية بسيطة تُطبَّق على السجلات نفسها. فإذا اقتربت نتائجها من نتائج LLM، فإن النموذج المكلف لا يشتري واقعية، بل نصًا جميلًا.

الثاني: على أي أفق زمني يُقاس الأداء. فتخمين الفعل التالي أسهل بكثير من إعادة إنتاج السلوك على امتداد أيام وعشرات الأحداث. وإذا كان المعيار يغطي فعلًا سلسلة طويلة، فهنا تحديدًا ينبغي توقع أبرز إخفاقات النماذج.

الثالث: كيف يُقيَّم التنوع. فالمستخدمون يختلفون، بينما تميل LLM إلى تسوية السلوك نحو إنسان «نموذجي». والمحاكاة التي يتصرف فيها الجميع بالقدر نفسه من الرشد لا تصلح لاختبار التوصيات.

أما الفرق التي تبني أنظمة التوصية والإعلان، فالخلاصة بسيطة. يمكن استخدام مستخدمين محاكَين بواسطة LLM منذ الآن كمرشِّح لاستبعاد الفرضيات الضعيفة بوضوح. لكن الاعتماد عليها عند الإطلاق في بيئة الإنتاج دون مطابقتها باختبارات A/B حقيقية ما زال مبكرًا، وسيصبح هذا المعيار، إذا فُتحت بياناته وبروتوكوله، أداة مريحة لاختبار المحاكيات الخاصة بكل فريق. ويستحق الأمر انتظار نشر الورقة والمستودع: ففي تفاصيل جمع البيانات واختيار المقاييس سيتضح مدى وجاهة ادعاء الأسبقية.