ZhiJing cuba menutup jurang AI dalam memahami konteks sosial

ZhiJing ialah rangka kerja “minda sosial” bersepadu daripada Institut Teknologi Pengkomputeran, Akademi Sains China (CAS ICT). Matlamatnya bukan sekadar menjadikan model bahasa besar (LLM) pandai menghasilkan jawapan yang lancar, tetapi membolehkannya membuat inferens tentang kepercayaan, niat tersirat, emosi, hubungan dan norma sosial sebelum bertindak balas. Ia menggabungkan tiga bahagian: pengukuran keupayaan, latihan model dan sokongan semasa model digunakan. 1

CAS ICT mempersembahkan sistem itu pada 24 Julai 2026, manakala laporan teknikal asasnya dihantar ke arXiv pada 26 Julai. Kedua-duanya merujuk kepada peristiwa berbeza dan tidak semestinya bercanggah. 18

Tiga komponen ZhiJing

• SoMBench ialah penanda aras diagnostik berasaskan psikologi. Ia membahagikan kebolehan sosial AI kepada 3 dimensi utama, 17 subdimensi dan 71 jenis tugasan, menggunakan 284 senario bersama serta 3,481 contoh yang disahkan pakar. Reka bentuknya turut mengawal bentuk soalan, sudut pandang naratif dan panjang konteks. 1
• Zing ialah komponen latihan atau “penghayatan”. Ia direka supaya penaakulan sosial bukan sekadar tingkah laku sementara yang muncul apabila arahan pengguna cukup terperinci, sebaliknya menjadi keupayaan yang lebih stabil dalam parameter model. 1
• Actio ialah kerangka ketika penggunaan. Ia boleh membekalkan panduan prosedur, penjejakan keadaan mental yang dikaitkan kepada pihak tertentu, pengalaman boleh guna semula serta pengambilan pengetahuan sosial atau normatif secara terkawal. 1

Apa yang diuji oleh SoMBench?

Penanda aras biasa lazimnya mengukur sama ada AI boleh menjawab soalan dengan betul. SoMBench cuba menguji mengapa AI tersilap dalam situasi manusia yang lebih rumit.

Sebagai contoh, model boleh gagal apabila perlu membezakan antara realiti dengan apa yang dipercayai oleh seseorang; mengesan niat yang tidak disebut secara terus; mengemas kini kepercayaan selepas maklumat baharu muncul; atau mengambil kira kedudukan, hubungan dan norma dalam sesuatu situasi. Bidangnya merangkumi representasi minda, interaksi sosial dan penghayatan norma. 18

Ini penting kerana komunikasi manusia banyak bergantung pada perkara yang tidak dinyatakan secara jelas—perubahan emosi, isyarat halus, andaian bersama dan batas tingkah laku mengikut hubungan. Sistem boleh kelihatan fasih, tetapi masih tersalah tafsir konteks tersebut.

Bagaimana latihan Zing cuba membaiki kelemahan itu

Pendekatan FLARE digambarkan sebagai kitaran data berasaskan diagnosis. Kegagalan yang dikenal pasti melalui SoMBench digunakan untuk menentukan keupayaan sosial yang lemah, kemudian membimbing penghasilan contoh latihan bersasar, penapisan data, latihan dan penilaian semula. Laporan itu menyenaraikan langkah seperti mengekstrak kes gagal, diagnosis mengikut dimensi, semakan kesukaran dan kebolehjawaban, ujian jalan pintas, pembaikan serta pemilihan data. 1

Latihan pula dijalankan dalam dua peringkat:

1. Peringkat awal membina pemahaman luas tentang konteks sosial.
2. Peringkat kedua memfokuskan penaakulan minda sosial yang lebih khusus, menggunakan penyulingan rantaian pemikiran daripada model guru yang lebih kuat serta latihan pengukuhan. 1

Zing turut menggunakan On-Policy Distillation (OPD) bersama Mixed-Reward GRPO. Secara ringkas, OPD bertujuan mengekalkan keupayaan umum model asas semasa ia dilatih secara khusus untuk penaakulan sosial—usaha untuk mengurangkan masalah catastrophic forgetting, iaitu apabila model kehilangan sebahagian kemahiran lama selepas latihan baharu. GRPO pula memberi dorongan ganjaran terhadap prestasi dalam tugasan sosial yang disasarkan. 1

Keputusan Zing-27B berbanding GPT-5.5

CAS ICT menyatakan model multimodal Zing-27B mengatasi GPT-5.5 pada skor purata lima penanda aras antarabangsa berkaitan kognisi sosial. 18

Menurut angka yang dilaporkan pasukan tersebut, Zing-27B mencatat skor komposit 79.80%, berbanding 78.44% bagi GPT-5.5—kelebihan 1.36 mata peratusan. Ia juga dilaporkan mendahului sebanyak 4.08 mata peratusan pada HiToM, penanda aras penaakulan kepercayaan aras tinggi, dan 5.62 mata peratusan pada EmoBench. 5

Namun, angka terperinci itu perlu dibaca dengan berhati-hati: petikan laporan utama yang tersedia mengesahkan dakwaan kepimpinan purata merentas lima penanda aras, tetapi tidak memaparkan secara bebas semua empat nilai tersebut. Oleh itu, ia wajar dianggap sebagai hasil penilaian yang dilaporkan oleh pembangun, bukannya pengesahan bebas pihak ketiga. 1

Masih jauh daripada benar-benar “memahami orang”

Dapatan paling penting mungkin ialah skala cabaran itu sendiri. Dalam penilaian SoMBench terhadap 20 LLM, model terbaik hanya memperoleh 72.08% ketepatan keseluruhan. Tiada satu pun daripada 17 subdimensi mencapai ambang hampir maksimum 90% yang ditetapkan dalam laporan. 1

Jadi, ZhiJing menunjukkan satu pendekatan yang lebih tersusun untuk melatih AI membaca konteks manusia—ukur kelemahan, hasilkan latihan yang tepat dan sokong model ketika digunakan. Tetapi keputusan penanda aras belum membuktikan bahawa model boleh dipercayai untuk benar-benar memahami manusia dalam semua keadaan dunia sebenar. 1