「流暢に答える」だけでは足りない

中国科学院計算技術研究所（CAS ICT）のZhiJing（知境）は、大規模言語モデル（LLM）に、人の信念や意図、感情の変化、立場・関係性、社会規範といった社会的文脈を推論させるための統合技術体系です。狙いは、もっともらしい回答文を生成するだけでなく、「誰が何を知っているか」「発言の裏にどんな意図があるか」「その場で何が求められるか」を扱えるようにすることにあります。1

CAS ICTは2026年7月24日にシステムを公表しました。一方、技術報告書は7月26日に投稿されています。これは公開発表日と論文投稿日の違いであり、必ずしも矛盾を意味しません。1

ZhiJingは、次の3層をつなぐ構成です。

• SoMBench：社会的知能の弱点を測る診断ベンチマーク
• Zing：診断結果を踏まえて社会的推論をモデル内部に学習させるモデル／学習系
• Actio：実運用時に手順、心的状態の追跡、経験、社会・規範知識の参照を補助する枠組み 1

SoMBenchは何を測るのか

SoMBenchは心理学に基づく診断型ベンチマークで、社会的知能を3つの主要次元、17の下位次元、71のタスク形式に分解します。284の共通シナリオと、専門家が検証した3,481件の事例を用い、設問形式、物語の視点、文脈の長さも統制しています。1

対象となるのは、たとえば次のような失敗です。

• 人物が信じていることと、客観的な現実を混同する
• 言葉にされない信念や意図を読み落とす
• 新しい情報を受けても、登場人物の信念を適切に更新できない
• 人間関係、役割、社会規範によって変わる制約を見逃す 1

つまりSoMBenchは、AIが「正解らしい文章」を返せるかだけではなく、どの社会的推論で、なぜ間違えたのかを切り分けるための評価表です。

実際に代表的なLLM 20モデルを評価した結果、最高モデルでも総合正答率は**72.08％**にとどまり、17の下位次元のいずれも報告書が近似的な到達点とする90％には達しませんでした。社会的文脈の理解には、なお大きな改善余地があることを示す結果です。1

Zingは診断結果をどう学習に生かすのか

Zingは、社会的推論をプロンプトへの一時的な反応ではなく、より安定したモデル能力として定着させる「内在化」部分です。教師あり微調整、On-Policy Distillation（OPD）、評価基準に基づく強化学習を組み合わせます。1

中核の考え方は、FLARE型のデータ・フライホイールです。SoMBenchで明らかになった失敗例から弱い能力を特定し、その結果をもとにデータ生成、フィルタリング、学習、再評価を繰り返します。報告書では、失敗例の抽出、次元ごとの診断、難易度・回答可能性の確認、表面的な近道への依存の検査、修正、選別といった工程が説明されています。1

学習は2段階です。

1. 第1段階で、幅広い社会的文脈の理解を築く。
2. 第2段階で、強力な教師モデルの思考過程の蒸留と強化学習により、専門的な「社会的心の推論」を重点的に鍛える。1

このとき使われるMixed-Reward GRPOは、社会的推論に対する報酬信号とOPDを組み合わせる方式です。GRPOで狙った社会的タスクの性能を高める一方、OPDによってベースモデルの有用な汎用能力を保ち、専門学習後に既存能力が落ちる「破滅的忘却」を抑えることを目的としています。1

Zing-27Bの成績：GPT-5.5を上回ったという報告

CAS ICTは、マルチモーダルモデルのZing-27Bが、国際的な社会認知ベンチマーク5件の平均スコアでGPT-5.5を上回ったと発表しています。1

公表された比較値は次の通りです。

指標	Zing-27B	GPT-5.5	差
5ベンチマークの総合平均	79.80％	78.44％	+1.36ポイント
HiToM	—	—	+4.08ポイント
EmoBench	—	—	+5.62ポイント

これらは、特に高次の心的状態推論を測るHiToMや、感情理解を扱うEmoBenchで優位だったというチーム側の報告です。ただし、利用可能な一次報告書の抜粋は「5ベンチマーク平均での首位」という主張を確認できる一方、上表の4つの厳密な数値を独立に示してはいません。そのため、数値は開発チームが報告した評価結果として捉えるべきであり、第三者による再現・追試の結果ではありません。1

重要なのは「人を理解した」と結論づけないこと

ZhiJingの意義は、曖昧に語られがちなAIの「共感力」や「空気を読む力」を、評価指標、訓練手順、実運用時の支援機構へと分解し、工学的な対象として扱おうとしている点にあります。

一方で、ベンチマークでのスコア向上は、AIが現実の対人場面で人を確実に理解できることの証明ではありません。SoMBench自身の評価でも性能の伸びしろは大きく残っています。ZhiJingは、人間理解を達成したモデルというより、AIの社会的文脈理解を測り、弱点を見つけ、改善するための具体的な道筋を提示した取り組みと見るのが適切です。1

「流暢に答える」だけでは足りない

中国科学院計算技術研究所（CAS ICT）のZhiJing（知境）は、大規模言語モデル（LLM）に、人の信念や意図、感情の変化、立場・関係性、社会規範といった社会的文脈を推論させるための統合技術体系です。狙いは、もっともらしい回答文を生成するだけでなく、「誰が何を知っているか」「発言の裏にどんな意図があるか」「その場で何が求められるか」を扱えるようにすることにあります。1

CAS ICTは2026年7月24日にシステムを公表しました。一方、技術報告書は7月26日に投稿されています。これは公開発表日と論文投稿日の違いであり、必ずしも矛盾を意味しません。1

ZhiJingは、次の3層をつなぐ構成です。

• SoMBench：社会的知能の弱点を測る診断ベンチマーク
• Zing：診断結果を踏まえて社会的推論をモデル内部に学習させるモデル／学習系
• Actio：実運用時に手順、心的状態の追跡、経験、社会・規範知識の参照を補助する枠組み 1

SoMBenchは何を測るのか

SoMBenchは心理学に基づく診断型ベンチマークで、社会的知能を3つの主要次元、17の下位次元、71のタスク形式に分解します。284の共通シナリオと、専門家が検証した3,481件の事例を用い、設問形式、物語の視点、文脈の長さも統制しています。1

対象となるのは、たとえば次のような失敗です。

• 人物が信じていることと、客観的な現実を混同する
• 言葉にされない信念や意図を読み落とす
• 新しい情報を受けても、登場人物の信念を適切に更新できない
• 人間関係、役割、社会規範によって変わる制約を見逃す 1

つまりSoMBenchは、AIが「正解らしい文章」を返せるかだけではなく、どの社会的推論で、なぜ間違えたのかを切り分けるための評価表です。

実際に代表的なLLM 20モデルを評価した結果、最高モデルでも総合正答率は**72.08％**にとどまり、17の下位次元のいずれも報告書が近似的な到達点とする90％には達しませんでした。社会的文脈の理解には、なお大きな改善余地があることを示す結果です。1

Zingは診断結果をどう学習に生かすのか

Zingは、社会的推論をプロンプトへの一時的な反応ではなく、より安定したモデル能力として定着させる「内在化」部分です。教師あり微調整、On-Policy Distillation（OPD）、評価基準に基づく強化学習を組み合わせます。1

中核の考え方は、FLARE型のデータ・フライホイールです。SoMBenchで明らかになった失敗例から弱い能力を特定し、その結果をもとにデータ生成、フィルタリング、学習、再評価を繰り返します。報告書では、失敗例の抽出、次元ごとの診断、難易度・回答可能性の確認、表面的な近道への依存の検査、修正、選別といった工程が説明されています。1

学習は2段階です。

1. 第1段階で、幅広い社会的文脈の理解を築く。
2. 第2段階で、強力な教師モデルの思考過程の蒸留と強化学習により、専門的な「社会的心の推論」を重点的に鍛える。1

このとき使われるMixed-Reward GRPOは、社会的推論に対する報酬信号とOPDを組み合わせる方式です。GRPOで狙った社会的タスクの性能を高める一方、OPDによってベースモデルの有用な汎用能力を保ち、専門学習後に既存能力が落ちる「破滅的忘却」を抑えることを目的としています。1

Zing-27Bの成績：GPT-5.5を上回ったという報告

CAS ICTは、マルチモーダルモデルのZing-27Bが、国際的な社会認知ベンチマーク5件の平均スコアでGPT-5.5を上回ったと発表しています。1

公表された比較値は次の通りです。

指標	Zing-27B	GPT-5.5	差
5ベンチマークの総合平均	79.80％	78.44％	+1.36ポイント
HiToM	—	—	+4.08ポイント
EmoBench	—	—	+5.62ポイント

これらは、特に高次の心的状態推論を測るHiToMや、感情理解を扱うEmoBenchで優位だったというチーム側の報告です。ただし、利用可能な一次報告書の抜粋は「5ベンチマーク平均での首位」という主張を確認できる一方、上表の4つの厳密な数値を独立に示してはいません。そのため、数値は開発チームが報告した評価結果として捉えるべきであり、第三者による再現・追試の結果ではありません。1

重要なのは「人を理解した」と結論づけないこと

ZhiJingの意義は、曖昧に語られがちなAIの「共感力」や「空気を読む力」を、評価指標、訓練手順、実運用時の支援機構へと分解し、工学的な対象として扱おうとしている点にあります。

一方で、ベンチマークでのスコア向上は、AIが現実の対人場面で人を確実に理解できることの証明ではありません。SoMBench自身の評価でも性能の伸びしろは大きく残っています。ZhiJingは、人間理解を達成したモデルというより、AIの社会的文脈理解を測り、弱点を見つけ、改善するための具体的な道筋を提示した取り組みと見るのが適切です。1