MiniMax 发布 M2-her 技术报告：用三年实践重构 Role-Play 智能体

声明：文档由AI根据原文生成。

三年实践：Role-Play 的本质是共同编织旅程

MiniMax 在 2026 年 1 月 28 日发布技术报告，系统阐述其对话产品 Talkie / Xingye 三年运营中对 Role-Play 智能体的认知迭代，并推出新一代模型 MiniMax-M2-her。

报告核心观察来自用户行为数据：用户点击"重说"按钮的分布呈严重长尾，触发时刻集中在叙事关键节点——角色倾诉、误会和解、情绪交互等场景。这表明 Role-Play 体验并非二元判断，而是一条追求高密度情绪峰值的连续曲线。同时，平台内 NPC 热度分布并非常见幂律，即便最冷门角色也有活跃用户维持数百轮对话；用户对话轮次在第 20 轮后出现明显下降，说明长期留存依赖 NPC 与用户沉淀稳定互动链接，而非一次性爽点。

这些信号指向一个结论：Role-Play 的内核不在于"完美复刻角色"，而在于用户与角色共同编织的独一无二旅程。形式化而言，它刻画的是智能体在特定 {World} × {Stories} 坐标下，针对 {User Preferences} 的演绎能力。

基于此，MiniMax 提炼三个核心问题：如何让每个世界拥有独特灵魂（Worlds）、如何让故事保持生命力（Stories）、如何读懂用户未言明的期待（User Preferences）。

线上 A/B 测试的困境与"情境重演"评估方案

2024 年中之前，MiniMax 与行业同行主要依赖 A/B 测试迭代模型，观测指标为留存率（lt）、停留时长与平均对话轮数。但报告指出该方法存在双重缺陷：反馈周期长达一周，且在有上下文场景中出现因果逆转问题。

转向离线评估时，团队面临更根本的障碍——Role-Play 不存在可验证正确答案，属于 Non-verifiable 任务。MiniMax 提出关键洞察：虽难定义"对齐用户偏好"（aligned）的回答，但可以定义"无法对齐用户偏好"（misaligned）的回答。

据此，团队开发 Role-Play Bench，通过"情境重演"（Situated Reenactment）自动化评估 misalignment 现象。该方法给定 NPC Prompt、User Prompt、Relationship Setup 与 Context，以 Model-on-Model 的 Self-Play 机制生成多轮对话轨迹，观测模型在特定 {World} × {Stories} × {User Preferences} 坐标下的演绎表现。

评估维度被抽象为三类：Worlds（基础负向、逻辑混淆、事实性错误）、Stories（内容推进与多样性、内容逻辑）、User Preferences（用户交互质量）。在 100 轮长程对话测试中，MiniMax-M2-her 综合表现位居榜首。

模型构建：合成数据管线与在线偏好学习

MiniMax-M2-her 的构建分为两条主线。

第一条是 Agentic Data Synthesis。团队开发基于智能体工作流的对话合成管线，通过专家模型库 Self-Play、reward model 打分过滤、LLM-as-judge 改写、规划智能体引导等环节，在保证输出多样性的前提下，抬高模型在世界观理解与故事推进上的能力下限。

第二条是在线偏好学习（Online Preference Learning）。团队收集隐式信号与情境化偏好，采用 online RLHF 训练模型。核心流程包括：数据团队交互收集反馈信号、因果推断去噪、RLHF 训练（设置提前终止机制防止多样性坍缩）、循环迭代部署。

下一阶段：Worldplay 与动态世界建模

报告将未来方向命名为 Worldplay——一种让用户从"进入预设世界"升级为"共同创造世界"的交互范式。核心技术方向包括动态 World State 建模与多角色协同。