破解个体行为模拟困境
2026年10月6日，复旦大学数据科学学院、上海创新平台与腾讯的研究人员在arXiv提交了题为《Socio-Foundation: A Model for Generalizable Individual Behavior Simulation via Hierarchical Capability Distillation》的预印本论文。该论文的核心作者包括Liang Wang、Wenxuan Xie、Xinyi Mou与Yixin Luo，通讯作者为Zhongyu Wei。
研究背景指出，大型语言模型在模拟个体行为时面临固有两难困境：通用基础模型往往会扁平化不同的人格特征，而针对特定任务进行微调又容易导致模拟能力的碎片化。
FONTS分类法与标准化语料库
为了系统构建个体行为能力，研究团队分析了超过40个数据集中的1900多万个实例，并基于McAdams和Pals的新大五人格框架提出了FONTS分类法。
FONTS分类法将底层模拟能力归纳为五个互补维度，包括角色保真度(F)、结果实现(O)、行为自然度(N)、轨迹连贯性(T)以及社会扎根(S)。
在FONTS分类法的指导下，研究团队从14个代表性数据集中筛选并构建了一个包含约1000万个实例的标准化高质量训练语料库。
三阶段后训练与评估表现
在模型构建方面，Socio-Foundation采用了三阶段后训练管线：首先通过DAPO算法进行任务专家学习，随后利用离线策略蒸馏完成能力专家整合，最终通过多教师在线策略蒸馏完成统一模型构建。
实验评估方面，作者团队主张Socio-Foundation在包含29项指标的IndiEval评估基准上，表现比基础模型Qwen3-8B高出约11.0个百分点，逼近GLM-5.2等前沿模型。
此外，作者指出在零样本条件下，该模型成功迁移到了三个分布外(OOD)基准测试中，以此展示了其模拟个体行为的泛化能力。