AI也能当情感大师？腾讯发布最新AI社交智能榜单，最新版GPT-4o拿下第一

判断 AI 是否智能，评价维度如今已不仅限于刷榜成绩。

当大模型在 "IQ" 上不断实现新的突破，" 懂人心 "、" 解人意 " 开始成为实际应用中，人们对大模型新的要求。

所以，AI 的 "EQ" 又该如何评价？

由腾讯混元 AI 数字人团队打造的全新自动化评估框架——SAGE（Sentient Agent as a Judge），回答了以下的两个问题：

如何评价 AI 是否真正具有 " 共情力 "？——TA 能否理解我的情绪、洞察我的潜台词、在我脆弱时真正 " 听见我 "？

如何评估 AI 是否能真正成为我们的 " 知心伴侣 "？——" 跟 TA 聊完天后，我们的心情到底好不好？"

在该框架下，最新版 GPT-4o 表现最好，GPT-4.1、Gemini-2.5 系列紧随其后。

SAGE：让 AI 模拟 " 有感情的人 "，来评测另一个 AI

SAGE 不只是看模型答得好不好，而是构造一个模拟人类心理的 " 有感知力的 "AI 智能体，让它像人一样参与多轮对话、模拟情绪变化、生成内心独白，并最终评估对话质量。

可以拆解出两个关键词：

Sentient Agent（感知智能体）

具备 " 情绪 "、" 内心想法 "、" 隐含动机 " 的模拟人类。

as a Judge（担任评委）

它不仅在聊天，也在全程 " 体验 "AI 的陪伴效果，根据自身的 " 情绪变化 " 给出评价。

这位 "AI 人类 "，每轮对话都会认真思考：

" 对方说话让我感受到真的关心了吗？"

" 对方的回答有没有触动到我？"

" 我现在更愿意继续聊，还是想退出对话？"

甚至，它还会给出聊天过程中的 " 内心独白 "：

" 虽然 TA 表达了支持，但没理解我真正的困惑，我感到有点空虚。"

"TA 听懂了我在倾诉，可是安慰得好表面。"

" 我只是想被认同，不想被讲道理…… "

是不是有点像我们和那些 " 听了半天还是不懂我意思 " 的朋友聊天的真实感受？

SAGE ：每个感知智能体都有 " 人生剧本 "

SAGE 的每个感知智能体都是一个 " 有血有肉 " 的角色，拥有：

人物设定：年龄、性格、职业、兴趣爱好、说话方式；

对话主题：从 " 成绩不好怎么办 " 到 " 怎么优雅分手 "，五花八门；

隐藏意图：是想发泄情绪？还是想听建议？不同角色会带着不同期待展开对话；

背景故事：每段对话都像一场微型情感剧，有来龙去脉、有情绪转折。

多轮互动 + 情绪追踪

评估过程中，感知智能体会和大模型进行多轮对话。每一轮，它都会进行严谨的多轮推理，模拟人类的 " 内心小剧场 "：

1. 记录内心想法和感受（" 他在安慰我，但没理解我真正的难过点…… "）；

2. 更新自己的情绪值（比如：被安慰之后情绪从 -5 跳到 +10）；

3. 决定下一步该怎么回应（" 我应该表现出有点不爽 "）。

最终，大模型在这个互动中是否 " 真的懂人 "，就通过智能体的 " 情绪轨迹 " 和 " 内心独白 " 体现出来。

而聊天后的情绪值便可以作为感知智能体对于被评估大模型最直观、最全面的数值评估。

GPT-4o 最有人情味

SAGE 研究团队基于 100 个涵盖 8 种不同隐藏主题的支持性对话场景，对 18 个主流模型进行了测评，包括 GPT-4o、DeepSeek-R1、Claude3.7、Gemini2.5，以及 Llama3.3、Qwen2.5 等开源模型：

可以看到：

GPT-4o-Latest 在 SAGE 排行榜拿下第一；

Gemini2.5-Pro 在 Arena 上排行第一，在 SAGE 却只位居第四；

Arena 榜单与 SAGE 有明显差异——说明 SAGE 能够捕捉到 Arena 等通用基准无法完全体现的 " 高阶社会认知 " 能力，注意到 " 答得好 " ≠ " 更懂人心 "。

实验分析 1：BLRI 情感共鸣实验—— SAGE 评分和心理学评分一致

为了验证 SAGE 情绪评分的真实性，研究者将感知智能体的心理活动映射到经典心理学工具——Barrett – Lennard Relationship Inventory ( BLRI ) 量表，这是一套衡量人际关系质量和共情力的心理测量量表。

实验发现，SAGE 给出的 " 情绪值变化 " 与 BLRI 各项维度（如共情理解、情感一致性）的评分，高度正相关（r = 0.818），这意味着：

SAGE 模拟出来的 " 用户心情 "，确实能真实反映 AI 互动的共情质量。

也就是说，SAGE 不仅 " 听上去合理 "，它的 " 打分方式 " 也跟专业心理咨询标准一致。

实验分析 2：「语气、节奏、专注力」—— AI 的对话质量

SAGE 还基于整体的对话回复，从三个维度来衡量不同模型的对话质量（" 对话体验感 "）：

Natural Flow：说话自然、不过度模板化

Attentiveness：是否专注倾听、紧跟上下文

Depth of Connection：是否建立情感共鸣，让人觉得 " 被理解 "

实验发现，对话质量指标与 SAGE 评分也高度相关（r = 0.788）。

实验分析 3：Token Efficiency ——精准且高效

和 AI 聊天的时候，常常聊 1 句模型要输出一千字，可是这一千字真的都有用吗？

SAGE 也评测了模型的Token 效率：即每获取一点 " 情绪正向反应 "，模型需要生成多少内容。

一个意外但重要的发现是：有些高情商模型，不光懂人心，还特别 " 话不多 "。

GPT-4o-Latest 不仅得分最高（79.9），平均 token 数量也少（约 3.3K token）；

而 o3（13.3K token）、Gemini2.5-Flash-Think（9.0K token）这类推理模型消耗了更多 token，却也没能更好地安慰人；

这说明： 共情能力强的模型，不一定要 " 话痨 "，简洁表达 + 情绪把握才是王道。

实验分析 4：AI 的「风格坐标图」——给 AI 建模 " 人格画像 "

研究者先让 Gemini2.5-Pro 基于不同模型与感知智能体交互的对话，分析表达和模型成功失败的案例，建模模型不同的人格画像。

有趣的是，DeepSeek-R1 被认为是一个才华横溢、内心温暖善良，但社交技巧和现实感有待磨练的 " 创意型天才 "，而 o3 被认为是一个极其聪明、受过严格专业训练、懂得各种先进方法论的机器人咨询师。

接着，研究者基于回复样例、人格画像建模、模型使用的策略分布量化数据，构建了一个模型的二维 " 风格坐标图 "：

横轴：互动方式（公式化互动↔️创造性互动）

纵轴：回复导向（问题解决导向↔️共情理解导向）

实验发现：

GPT-4o-Latest、GPT-4.1 等 " 好情商 " 选手，往往偏向 " 强烈共情 + 稳妥模式回复 "；

DeepSeek-R1、DeepSeek-V3-0324 则更像 " 创意支持伙伴 "，用极具创意的交互提供新奇有趣的解决方案；

Gemini2.0-Flash、o3 则是 " 专业理性派 "，常常采取标准化的问题解决模式，却缺乏情感细腻度。

有趣的是：目前" 既创意十足又能深刻共情 "的 AI 人设仍未出现，而这或许正是 AI 与人类互动中需要的 " 理想象限 "。

论文地址：https://www.arxiv.org/abs/2505.02847

Github 链接：https://github.com/Tencent/digitalhuman/tree/main/SAGE

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见