用户模型评测为何难做：斯坦福研究者转向多用户图灵测试

斯坦福研究者 alexisjross 团队转向多用户图灵测试（MTT）评测用户模型，因为现有评测都要求预先定义评估维度。该方案用 LM judge 判别，不预设好用户模型的先验，而让 judge 基于真实用户与模拟用户的上下文示例自行推理最相关的行为特征。团队引用 ELIZA 案例称，人类本身就不擅长判断模拟用户的模型是否像真人。