机器之心发布

现如今，大模型越来越擅长在单轮对话中生成温柔体贴、情绪价值拉满的文字，然而，我们或许会怀疑：在一句句「高情商回复」的背后，模型是否真正理解了什么是共情。

在情感陪伴与心理支持等真实场景中，人类之间的有效交流极少依靠单薄的漂亮话来解决问题。一句回复不仅影响着用户当下的情绪，更会潜移默化地改变后续对话的轨迹。真正有效的共情，需要模型在长期的多轮互动之中，持续观察并理解对方的潜在心理状态，动态调整支持策略，最终将交流引导向更加健康的方向。

然而，当共情任务涉及复杂的隐含状态、长期目标以及弱反馈验证时，传统的单轮评测与训练范式便很难评估模型的真实水平。我们究竟该如何判断模型在长线交互中是否起到了正向作用？

自然选择团队近期开源的两项研究 EMPA 与 MAPO 为解决这一问题提供了具体的方案。

这两项工作跳出了传统框架，试图重新审视大模型在长程共情场景中的评测与训练方式。前者回答「如何评测」，后者回答「如何训练」，两者共同尝试将主观的情感陪伴转化为可衡量且可优化的系统能力。

目前，EMPA 论文已发布在 arXiv 上，代码仓库与 1000 多份开源数据集也已同步开放；MAPO 论文同样已公开，相关代码与训练环境也将陆续开源。

• 论文标题：EMPA: Evaluating Persona-Aligned Empathy as a Process
• 论文链接：https://arxiv.org/abs/2603.00552
• 代码地址：https://github.com/KAYA-HAI/EMPA-Benchmark-EPMSandbox
• 1000+ 开源数据集：https://huggingface.co/datasets/SalmonTell/EMPA-character_card/tree/main

• 论文标题：MAPO: Mixed Advantage Policy Optimization for Long-Horizon Multi-Turn Dialogue
• 论文链接：https://arxiv.org/pdf/2603.06194v1
• 代码地址：https://github.com/2200xiaohu/MAPO

EMPA

第一次把共情评测推进到「过程级」

长期以来，共情评测大多停留在单轮任务，例如情绪识别、共情回复生成，或通过 LLM-as-a-Judge 给回答打分。这类方法可以评估语言是否「像人」，却很难回答一个更关键的问题：模型是否真的在长期帮助用户。

EMPA 的核心思路，是把共情正式建模为一种 long-horizon agent 任务。在这种任务中，用户真实的心理状态是一个无法直接观察的潜变量（latent state），对话则是一个持续更新状态的长期过程，而支持效果往往只能通过弱信号间接验证。

基于这一视角，EMPA 不再只评估某一句回复本身，而是评估整段对话轨迹对用户潜在心理状态的影响。

为此，研究者构建了一套完整评估框架：首先通过 Real-to-Sim 数据管线，将真实但嘈杂的长对话蒸馏为可复现的心理场景；随后，在一个非脚本化的多智能体沙盒环境中，让用户 agent、导演 agent、裁判 agent 与被测模型展开开放式互动；最后，通过 Empathy Potential Model（EPM） 在潜在心理空间中建模用户状态变化，从而在轨迹层面评估对话是否产生持续、稳定的正向影响。

在评测方法上，EMPA 采用了 Rubric-Grounded Physics Evaluation 的思路。

传统开放式评测通常有两种路径：一种是基于 rubric checklist 的逐项打分，另一种是 LLM-as-a-Judge 直接给出整体评价。但这两种方法都存在明显缺陷：前者容易把复杂互动压缩成静态指标，后者则容易受到语言风格、篇幅长度甚至表达技巧的干扰。

EMPA 的处理方式是把证据生成与最终评分做结构性拆分。在对话过程中，judge 不直接输出最终得分，而是根据 rubric 抽取可追溯、可归因的结构化证据；随后 EPM 在轨迹层面对这些证据进行聚合计算，并将其映射为潜在心理状态的变化信号。也就是说，rubric 不再直接扮演「裁判」角色，而是先变成「取证器」，真正的评分则由后续的轨迹建模来完成。

这一步非常关键，因为它意味着 EMPA 不只是换了个指标，而是在重新定义主观评测范式：不再依赖单轮「印象分」，而是通过多轮证据持续更新用户状态，并在整段对话轨迹上评估效果，从而避免单轮高分掩盖长期策略失效。换句话说，EMPA 关注的不再是「这句话说得好不好」，而是「整段对话是否真的帮助用户状态朝更好的方向变化」。这也使得长期共情能力第一次成为一个可以被系统研究、比较与优化的评测问题。

实验结果进一步表明，这种新的评测路径在鲁棒性与敏感度上，均明显优于传统方法。

MAPO

一个面向长程多轮交互的 RL 算法

如果说 EMPA 解决的是「如何评测」，那么团队的另一项研究 MAPO 则试图回答另一个问题：如何训练模型在这种长期对话任务中表现更好。

在 MAPO 论文中，团队提出了一种新的对话强化学习方法，目标是让模型在长序列对话中既能利用逐轮反馈，又能保持长期策略稳定性。MAPO 的核心思路，是同时引入两类信号：

• 第一类是逐轮过程奖励。研究者借助 EMPA 的 judge 系统，对每一轮回答进行评分，并借鉴 potential reward 的思路，将相邻轮次评分变化所带来的增量，作为当前轮次的即时奖励，用来衡量某一次回复是否真正推动了对话向更好的方向发展。
• 第二类是长期未来回报。为了避免模型只追求局部最优、沉迷短期修补，MAPO 进一步通过蒙特卡洛方法估计从当前回合到对话结束的累计回报，从而保留长程策略信息。

相比许多基于 GRPO 的 agentic RL 方法，这一设计同时绕开了两个常见问题：要么只能依赖最终结果奖励，导致过程信号稀疏；要么需要在每一步进行大量采样，带来极高的样本复杂度。

MAPO 的具体做法是，对同一初始 prompt 采样多条对话轨迹，并将轨迹中的每一步视作训练样本。

团队进一步观察到，即时奖励的分布与对话轮次相对解耦，而未来回报的分布则往往与轮次强相关。因此，MAPO 分别对二者进行基于 batch 与基于 turn 的归一化，再通过 convex combination 进行融合，从而在保留 critic-free 优势的同时，更稳定地优化长序列对话策略。

从更宏观的角度看，这两个工作实际上形成了一条完整的研究链路：EMPA 提供了长期共情任务的评测框架，而 MAPO 提供了适用于这类多轮交互任务的强化学习算法。它们共同推动「共情」从一个容易停留在主观印象层面的概念，转化为一个可以被系统研究、可复现比较，并进一步进入训练闭环的技术问题。

从实验结果看，MAPO 在 EMPA 的动态对话沙盒环境中训练后，效果显著优于 GRPO，并在 EMPA benchmark 上取得明显提升。值得注意的是，在部分设置下，一个 32B 模型已经可以逼近 Claude-3.5 的表现，同时在其他多轮对话 benchmark 上也展现出较好的泛化能力。

团队进一步指出，MAPO 本质上并不局限于多轮对话任务，而更接近一种面向长程 agentic 场景的优化方法。随着相关代码与环境进一步开源，这套方法也有机会在更多真实任务中被验证与扩展。

随着越来越多 AI 系统进入需要与用户长期交互的「深水区」，模型能力的竞争，显然不会长期停留在「更会说」或「更像人」这一层面。真正重要的，越来越可能是这样一些能力：能否建模用户的隐含状态，能否在多轮互动中保持策略一致性，能否在弱反馈条件下持续做出有效干预，以及能否把这种能力真正沉淀为可评测、可训练、可迭代的系统能力。

从这个角度看，EMPA 与 MAPO 的意义，或许并不止于「共情」这一垂直领域，更像是在提前回答一个未来会越来越普遍的问题：当大模型开始进入那些需要长期理解、持续判断、渐进影响人的任务时，我们究竟应该如何衡量它，又该如何把它训练出来。