SYN-DIGITS：校准数字孪生模拟的合成控制框架

论文提出事后校准框架，改善数字孪生模拟与人类回答的一致性。

资讯摘要

论文提出 SYN-DIGITS，一个与模型无关的事后校准框架，用于基于大语言模型的数字孪生（人格）模拟。该框架学习数字孪生中问题间的关系并迁移到人类回答预测，聚焦未观察到目标问题人类回答的冷启动场景；在仅有参考问题边际信息时，还支持分布级校准。作者报告在三个数据集、十三种人格构建上，个体级相关性相对提升 11%–417%，分布差异相对降低 46%–57%。

要点速读

1. 论文指出数字孪生模拟相对真实人类行为存在系统性偏差与失准。
2. SYN-DIGITS 利用数字孪生捕捉的问题间关系迁移到人类侧，支持个体级与分布级校准。
3. 作者报告在三个数据集、十三种人格构建上，个体级相关性相对提升 11%–417%，分布差异相对降低 46%–57%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。