LLM 人设能模拟交叉身份吗？并不可靠。一项 2026 年对八个大语言模型的研究发现，当合成受访者被赋予两到三个人口特征时，其回答大多只反映其中一个特征。据 Rennard 和 Xypolopoulos（2026）报告，在 75–82% 的子群体中，单一特征对双特征人设回答的解释力优于两个特征的叠加组合。
\n\n合成问卷受访者常被宣传为触达难招募群体的廉价方式：年长的西班牙裔天主教徒、年轻的共和党女性、拥有大学学历的低收入黑人选民。这些稀有交叉群体恰恰是人类样本最稀薄、成本最高的地方。这项研究检验的是：用多重身份提示 LLM，得到的究竟是该群体的真实观点，还是扁平得多的东西。
\n\n研究将 LLM 人设与皮尤研究中心 American Trends Panel 15 轮调查中的每一个真实交叉子群体进行对比。作者 Virgile Rennard 和 Christos Xypolopoulos 于 2026 年 8 月 24 日在 arXiv 发布了预印本（arXiv:2608.23005）。
\n在真实问卷数据中，交叉群体的观点大致可加，而且身份叠加越多越独特。作者报告，真实子群体的观点约等于各单一身份成分之和，但从一个身份到三个身份，其独特性增长 2.5 倍。换言之，交叉本身携带着研究者希望合成样本能够复现的真实信号。
\n\n大多数时候都会。据 Rennard 和 Xypolopoulos（2026），在各模型中，最佳单一特征在 75–82% 的双特征子群体中胜过叠加组合；例如 GPT-4o-mini 为 78.4%。真实人类单元在同一检验中为 44.4%，接近其可达上限 49.3%。维度越深差距越大：对三特征人设，完全叠加的预测只在 7.8–10.0% 的单元中胜出。
\n\n| 指标 | 真实受访者 | LLM 人设 |
|---|---|---|
| 单一特征胜过叠加组合（双特征） | 44.4% 的单元 | 75–82% 的子群体 |
| 叠加预测胜出（三特征） | 观点大致可加 | 7.8–10.0% 的单元 |
| 身份叠加时的独特性 | 从一个到三个特征增长 2.5 倍 | 误差基本持平（GPT-4o-mini TV 0.212 / 0.238 / 0.269） |
| 校准后坍缩指数（双特征） | — | 0.83–0.95 |
不能。在所有测试的提示策略下坍缩都依然存在。每次调用只给一个人设时为 75.3–83.4%；思维链指令被描述为无效（79.0–85.5%）；读取对数概率的结果落在同一区间；颠倒特征顺序后，76–88% 的单元中被保留的特征不变。
\n\n几乎是随机的——但有一个令人担忧的例外。模型保留对真实受访者最重要特征的比例仅为 53.3–57.9%，只比 50.4–52.2% 的置换基线高 3–7 个百分点。党派是唯一一个保留情况与其重要性相符的维度。种族的保留率偏低 9.5 个百分点，宗教偏低 5.0 个百分点，而作者指出二者恰恰是真实观点最强的驱动因素。性别则被过度保留 9 到 17 个百分点。种族压制在指令微调之前的基础模型中就已存在。
\n\n主要来自单一特征的校准偏差，而非组合规则。模型误差是人类抽样噪声的 1.8–4 倍。当作者用真实的单特征分布进行叠加重组时，双特征的平均误差降至总变差 0.062，低于噪声下限。这表明改进合成数据的路径在于将每个身份校准到实测的群体差异，而不是设计越来越复杂的人设。
\n\n应把交叉合成人设最多视为单一身份的估计。从论文得出的实践启示：
\n作者也指出了局限：数据为美国英语封闭式题目，未测试基于访谈的条件设定，调查年份（2017–2021）早于模型训练截止时间，且已发布的 Pew 汇总结果可能存在于预训练数据中。
\n\n它是一种 LLM 提示，要求模型以同时具备多个特征的人的身份作答，例如特定的年龄、种族、宗教和党派，而不是单一的人口标签。
\n研究纳入了这两个模型，但只在两轮调查的子集上测试，作者提醒不要对前沿模型做宽泛推论。坍缩模式在全部八个模型中都出现了。
\n不是。结论更窄：人设一次只代表一个身份。只要结果经过人类数据验证，它们仍可用于问卷预试或单一维度的探索。
\n论文指出应在真实问卷数据上使用多层回归与后分层，这仍是小单元估计的标准方法。
\n\n最后更新：2026 年 9 月 17 日。本文是对第三方研究的独立编辑摘要（Rennard & Xypolopoulos，2026，arXiv:2608.23005）；Qualitati 与作者无关联。
\n","related":[{"slug":"synthetic-survey-panels-marginal-fidelity-2026","title":"合成问卷样本库真的在模拟人吗？2026 年的一项检验","description":"合成问卷样本库能模拟真实受访者吗？2026 年研究发现，与公开平均值吻合并不能证明模拟成功：无人设提示在 9 组对比中 9 次胜过人设样本库。","category":"研究方法论","date":"2026-10-22","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-as-judge-qualitative-interpretation-2026","title":"LLM 评审能给定性访谈解读打分吗？2026 年研究的检验","description":"LLM-as-judge 能否替代人工审核定性访谈解读？2026 年一项研究对比 3,560 条 AI 解读与人类评分：它能淘汰弱模型，却漏掉言外之意与细微差别。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"rehearse-interview-protocol-simulated-participants-2026","title":"能用 AI 模拟受访者预演访谈吗？2026 年研究发现","description":"能否用 AI 模拟受访者预演访谈提纲？一项 2026 年对 21 位定性研究者的研究发现，预演带来了实际的提纲修改，也暴露出三个隐藏风险。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}