ZhiJing chce dát jazykovým modelům „sociální mysl“

ZhiJing (čínsky „Zhijing“) je technický systém pro takzvanou sociální inteligenci velkých jazykových modelů. Vyvíjí jej Institut výpočetní techniky Čínské akademie věd (CAS ICT). Nejde jen o jeden model: rámec spojuje měření schopností, specializovaný trénink a podporu při reálném nasazení, aby AI uměla pracovat s tím, co lidé často neřeknou přímo — s přesvědčeními, záměry, emocemi, vztahy, rolemi a společenskými normami. 1

Systém byl veřejně představen 24. července 2026. Technická zpráva na arXivu byla odeslána 26. července; jde tedy o dvě odlišná data, nikoli nutně o rozpor. 1

Tři části systému: měření, „zvnitřnění“ a jednání

SoMBench: test, který nehledá jen správnou odpověď

Jádrem měřicí části je SoMBench, diagnostický benchmark vycházející z psychologie. Sociální schopnosti modelu dělí do 3 hlavních dimenzí, 17 poddimenzí a 71 typů úloh. Pracuje s 284 sdílenými scénáři a 3 481 odborně ověřenými instancemi; kontroluje přitom formu otázky, perspektivu vyprávění i délku kontextu. 1

Benchmark má odhalovat chyby, které běžné testy otázek a odpovědí snadno přehlédnou. Model například může:

• zaměnit, co si člověk myslí, za objektivní skutečnost;
• neodvodit skrytý záměr nebo implicitní přesvědčení;
• neaktualizovat úsudek poté, co se objeví nová informace;
• ignorovat, že vhodná odpověď závisí na vztahu mezi lidmi, jejich rolích nebo sociálních pravidlech. 1

Tři hlavní oblasti SoMBench zahrnují mentální reprezentace, sociální interakce a internalizaci norem. 8

Zing: trénink modelu podle konkrétních slabin

Zing je tréninková, respektive „internalizační“ část ZhiJingu. Jejím záměrem je proměnit sociální uvažování z chování, které se objeví jen po vhodně formulovaném promptu, na stabilnější schopnost uloženou v parametrech modelu. Kombinuje dolaďování pod dohledem, on-policy destilaci (OPD) a posilované učení založené na hodnoticích pravidlech. 1

Data flywheel označovaný jako FLARE má fungovat jako opakovaný diagnostický cyklus: výsledky SoMBench ukážou, ve kterých sociálních schopnostech model chybuje, a tyto slabiny pak určují tvorbu, filtrování a výběr cílených tréninkových příkladů. Postup zahrnuje vytěžování chybných případů, diagnostiku podle dimenzí, kontrolu obtížnosti a řešitelnosti, hledání zkratkovitých strategií, opravu dat a nový výběr příkladů. 1

Trénink je rozdělen do dvou fází. První buduje širší porozumění sociálnímu kontextu, druhá se zaměřuje na specializované sociálně-mentální uvažování prostřednictvím destilace řetězců úvah od silnějších učitelů a posilovaného učení. 1

Důležitou součástí je Mixed-Reward GRPO spolu s OPD. GRPO tlačí model k lepším výsledkům ve specifických sociálních úlohách. OPD má při tomto specializovaném dodatečném tréninku uchovat užitečné obecné schopnosti výchozího modelu — tedy snížit riziko takzvaného katastrofického zapomínání. 1

Actio: pomoc při nasazení

Třetí složkou je Actio, rámec pro nasazení agentů. Může přidat procedurální vodítka, sledování mentálních stavů přiřazených jednotlivým osobám, znovu použitelné zkušenosti a řízené vyhledávání sociálních či normativních znalostí. 1

Jak si vedl Zing-27B proti GPT-5.5

CAS ICT uvádí, že multimodální model Zing-27B překonal GPT-5.5 v průměrném skóre napříč pěti mezinárodními benchmarky sociálního poznávání. 1

Podle zveřejněných výsledků dosáhl Zing-27B souhrnného skóre 79,80 %, zatímco GPT-5.5 78,44 % — rozdíl tak činí 1,36 procentního bodu. U benchmarku HiToM měl Zing náskok 4,08 bodu a u EmoBench 5,62 bodu. 5

Tato čísla je ale vhodné číst jako výsledky oznámené autory systému, nikoli jako nezávisle replikované srovnání. Dostupný výňatek primární technické zprávy potvrzuje tvrzení o prvenství v průměru pěti benchmarků, neukazuje však samostatně všechny uvedené dílčí hodnoty. 1

Slibný směr, ne důkaz, že AI „rozumí lidem“

Samotný SoMBench zároveň ukazuje, jak daleko mají současné modely k robustnímu sociálnímu porozumění. Při hodnocení 20 reprezentativních jazykových modelů dosáhl nejlepší z nich jen 72,08 % celkové přesnosti a žádná ze 17 poddimenzí se nedostala na hranici 90 %, kterou autoři považují za téměř stropovou úroveň. 1

ZhiJing proto nepředstavuje důkaz, že modely už skutečně chápou lidi ve všech reálných situacích. Je to spíše pokus převést vágní představu „emoční inteligence AI“ na technicky měřitelný a trénovatelný problém: najít, zda model selhává v práci s přesvědčením, emocemi, nevyřčenými signály či normami, a potom jej cíleně zlepšovat.