Zing：面向大语言模型的社会心智框架

Zing是一个面向大语言模型的社会智能框架，包含三部分：SoMBench基准（284个场景、3481个实例），评估20个模型后最好准确率仅72.08%；Zing训练方法（监督微调、策略蒸馏、基于规则的强化学习），在五个社会认知基准上持续优于基础模型；Actio推理架构（路由四种支持：PRISM、Starling、SAGE、gated RAG）。Zing-27B-Stage2取得最佳平均分。

当前LLM在推理他人心理状态、跟踪社交关系等社会智能任务上表现不足（最好模型准确率仅72%），Zing首次提供了从测量、内化到部署时增强的完整解决方案，可能显著提升AI在对话、协作等社交场景的可用性。

先通过心理学基准（SoMBench）诊断模型社会智能缺陷，再使用诊断驱动的训练方法（Zing）进行内化，最后在推理时通过Actio架构注入程序化指导、运行时心智状态表示、可复用经验和外部社交知识，形成“诊断-训练-接地”闭环。

若集成Zing框架，产品需额外部署Actio推理架构（路由四种知识支持），增加推理计算和存储成本；但能提升社交场景下的响应相关性，可能降低用户因体验不佳导致的流失。

• 基于Actio架构开发社交智能中间件，供对话类产品（如客服机器人、虚拟伴侣）快速集成心智推理能力。
• 利用SoMBench基准评估现有LLM产品的社会智能短板，定向优化特定场景（如教育辅导中的意图理解）。
• 针对社交角色扮演场景，使用Zing训练方法微调专用模型（如情感支持聊天模型），提升长期对话一致性。
• 将Actio中的“gated RAG”模块封装为插件，允许产品动态检索社交规范库（如企业文化、交互礼仪）。

• Zing框架在实时交互场景（如语音助手）中的推理延迟和成本具体是多少？
• Actio四种知识支持是否依赖额外预训练模型，导致部署复杂性大幅增加？
• SoMBench基准在不同语言和文化背景下的通用性如何？
• Zing训练方法是否需要大规模专家标注的社会智能对话数据？