EMNLP 2026 Main | AI 群聊怎样多元化？佐治亚理工和麻省理工提出 MASCOT

• 论文：MASCOT: Multi-Agent Socio-Collaborative Companion Systems
• 作者：Yiyang Wang, Yiqiao Jin, Alex Cabral, Josiah Hester
• arXiv：https://arxiv.org/abs/2601.14230
• 网站：https://hello-diana.github.io/MASCOT/
• 代码：https://github.com/hello-diana/MASCOT

想象一下，你向几个 AI 倾诉最近的压力。

第一个说：「我理解你的感受。」

第二个接着说：「有这样的情绪很正常。」

第三个补上一句：「你并不孤单。」

大家都很友善。可聊了一圈，你只听到了同一句话的三个版本。

原本设想中的 AI 群聊，应该像一个各有所长的小团队：有人耐心倾听，有人帮助分析，也有人鼓励你迈出下一步，提出实质解决方案。但实际交流中，这些角色可能越来越像，讨论也容易变成轮流附和。

角色数量增加了，有用的视角却未必随之增加。

图 1 MASCOT 的设计目标 —— 让多个角色围绕同一位用户提供互补视角，并形成连贯的群体对话。

来自佐治亚理工学院与麻省理工学院的研究团队提出了MASCOT，通过两阶段训练，同时优化个体角色行为与群体协作策略。团队先让每个角色学会自己的分工，再训练一位「主持人」，根据对话进展选择下一位发言者，并制定回应策略。

多个 AI 如何在形成一个协作团队？

论文的例子很直观。用户回忆，自己搬到国外后，丈夫需要出差，身边只有刚出生的孩子和一只狗，那段时间格外孤独。

在基线方法中，前两位角色先后表达理解。用户回应说，被倾听和理解让自己踏实了一些。接下来，其他角色继续安慰：很高兴你感到被支持，你并不孤单，感到不知所措也是正常的。

每句话单独看都没有明显问题，但不同角色的用词和讨论的内容在上下文中存在明显重复。用户已经表达了新的感受，对话仍在反复确认用户最初表达的情绪。

MASCOT 的对话也从理解与安慰开始。随后，一位角色接着前面的支持，邀请用户回顾：当时靠什么力量撑了过来？这些经验能否帮助现在的自己重新建立联系？

用户于是说，自己当时一直提醒自己，孤独只是暂时的；现在或许也可以保持耐心，慢慢与人建立联系。下一位角色顺着这条线索，肯定用户已经表现出的韧性和耐心。

前一个角色提供的支持，成为了下一个角色继续交流的起点。用户的回应也推动了后续对话的展开。

图 2 同一情境下的对话比较。红色是基线中的重复安慰，绿色是 MASCOT 承接前文并增加新视角的部分。

写好人设之后，还要让模型真正学会分工

多智能体协作面临一个基础难题：当对话持续推进、用户需求不断变化时，如何让不同智能体保持各自的分工，并持续提供互补的贡献？

这要求智能体同时做到两件事：根据最新的对话调整回应，并保持自身角色的行为特点。例如，倾听者需要跟进用户的情绪变化，分析者需要结合新信息提出有价值的问题；它们还需要理解其他角色已经提供了什么，避免重复已有的回应。

角色之间的差异，必须在动态交互中持续发挥作用。

随着交流推进，不同角色可能逐渐回到相似的通用回应模式，都在确认情绪、重复建议。每条回复单独看都合理，整个群体却缺少新的贡献。这种角色坍塌（persona collapse）会削弱多智能体协作所依赖的功能分工。

为此，MASCOT 将角色一致性纳入训练目标，让角色差异落实为可学习、可优化的回应行为。

在情感支持实验中，团队设置了三种角色，与前面案例中的人物对应：

MASCOT 在情感支持场景中设置了多种角色，比如：

• Alice（倾听者）：偏重倾听和确认情绪，为用户提供耐心、非评判性的回应。
• Bob（鼓励者）：关注积极体验和已有优势，给予具体的鼓励与肯定。
• Cathy（分析与反思引导者）：通过追问与换位思考，帮助用户梳理问题，探索原因和可能的下一步。

这些差异需要体现在回应的内容和作用上。光换语气还不够。

因此，MASCOT 的第一阶段是Persona-Aware Behavioral Alignment。系统针对同一情境、同一角色生成多个候选回应，再利用强模型的反馈，筛选质量差距明确的偏好对（preference pairs），训练专门的奖励模型。该奖励模型学习判断一条回应是否符合指定角色，以及是否贴合当前情境。

这些比较可以回答很具体的问题：对于倾听者，哪种回应更贴近用户刚刚表达的情绪？对于分析者，哪一个问题更能帮助用户梳理处境？

这样，「符合角色」就从一段提示词，变成了模型可以学习的训练信号。

随后，MASCOT 采用GRPO，根据奖励模型提供的评分微调发言模型，使更符合角色要求的回应获得更高的生成概率。

每个角色都会说话，还需要有人判断何时开口

即使每个角色都能做好自己的事，群聊仍然可能不顺畅。

用户刚表达难过，分析者就追着问原因；话题已经向前推进，另一位角色却又把它带回最初的安慰。发言本身合适，还要接得上当前的对话。

MASCOT 的第二阶段专门处理这种协调问题。

系统固定已经训练好的发言模型，转而训练一个Director Agent。它读取已有对话，选择下一位发言者，并给出回应策略：此刻适合继续倾听，还是引导反思，或是讨论下一步行动？具体回复仍由被选中的角色生成。

Director 怎样知道自己的安排好不好？

训练时，模拟用户会继续参与交流，系统把对话往后展开，再根据整段交流的连贯性、多样性和有效贡献进行评价。

一条发言安排的价值，要结合它带来的后续对话来判断。

例如，让一个角色继续安慰，可能让用户感到被理解，也可能只是重复前文；让另一个角色提出问题，可能带来新的思考，也可能打断用户的表达。只看当下的一句回复，很难区分这些情况。

MASCOT 在不同的对话位置采样主持人的决策，生成后续交流，并据此构建群体层面的奖励信号、优化主持人。训练因此能够考虑：这次安排是否带来了有用的新内容？角色之间有没有反复讨论已经说过的事情？后续交流是否仍然围绕用户的处境展开？

这一阶段同样采用 GRPO 更新 Director 的参数，而发言模型和模拟用户保持冻结。由此，系统可以在角色能力相对稳定的基础上，专门学习哪些发言安排能够带来更好的后续交流。

图 3：MASCOT 的两阶段训练框架。第一阶段训练角色如何回应；第二阶段固定发言模型，训练主持人选择发言者和回应策略，并通过后续对话评价协调效果。

这两步对应着两种不同的能力：一个角色能否稳定地发挥自己的作用，以及系统能否在合适的时候调用这种作用。

角色差异，能否转化为更好的对话？

MASCOT 面向两类需要多视角的场景：情感支持与工作协作。在情感支持中，不同角色需要配合完成倾听、引导反思和鼓励；在工作讨论中，角色则需要分工梳理信息、明确决策、提出行动建议并检查遗漏。

因此，团队选择情感对话数据集 Empathetic Dialogues（ED） 和会议数据集 QMSum，检验这套训练框架能否适应不同的角色分工与协作目标。同时，研究使用未参与训练的情感支持数据集 ESConv，进一步考察跨数据集泛化能力。

这些数据提供真实的用户情境或会议上下文，各系统从相同起点生成新的群体交流。同一数据集内，各方法使用相同的角色设置，比较对象涵盖提示词方法、监督微调、推理策略和专用多智能体框架。

评测同时考察两个层面：个体层面关注每个角色的共情质量、角色一致性和回应贡献；群体层面关注整段交流是否连贯、是否提供具体的新视角，以及各角色能否有效参与。这样的设计可以区分 “单个角色回答得好” 和 “整个团队配合得好”。

自动评测采用模型裁判按统一量表评分，结果映射到 0–100 分；后续再通过人工盲评和不同模型家族的裁判进行交叉验证。

在 ED 的正向情境中，MASCOT 的角色一致性得分达到 80.0，最强基线为 65.9，相差 14.1 分。两者的个体表现总体评分分别为 76.9 和 67.6。

在正向、负向和中性情境中，MASCOT 的个体表现总体评分都高于所比较的基线。

不过，负向情境仍然更难。面对失落、愤怒或焦虑，怎样把握回应的强度与时机，仍有一定挑战。

图 4：ED 不同情境下的角色表现。MASCOT 在正向情境中的角色一致性达到 80.0，较最强基线提升 14.1 分。

群体层面的提升同样明显。在 ED 中性情境中，MASCOT 在角色忠实度、原创性、相关性和参与度四项指标上均取得最高得分，总体评分达到 57.3，较最强基线 Few-Shot + CoT 的 51.9 提升 5.4 分。这说明，个体角色的改善也伴随着整体互动质量的提升。

图 5：ED 中性情境下的群体互动评测。MASCOT 在全部四项指标及总体评分上均优于所比较的基线；数值为均值 ± 标准差。

换成工作场景，分工与协调同样重要

到了 QMSum 会议场景，角色也随之改变：记录会议内容、梳理决策、提出行动建议，以及检查遗漏和问题。

在学术、委员会和产品会议三个子集中，MASCOT 的群体互动总体评分均高于所比较基线。这说明，角色分工与发言协调也可以用于任务型讨论。这里衡量的是基于会议上下文生成的讨论质量。

图 6：QMSum 的群体互动评测。MASCOT 在三个会议子集的总体评分上均领先于所比较的基线。

两个训练阶段分别带来了什么

团队进一步做了消融实验，分别移除角色对齐和协作优化，观察性能如何变化。

移除角色对齐的MASCOT-P，个体共情质量与角色一致性下降更明显；移除协作优化、改用随机发言顺序的MASCOT-C，则更多影响群体的连贯性和参与贡献。

这组结果解释了为什么 MASCOT 要分两步训练：单个角色能保持特点，整个群体仍需要学会如何衔接发言。

图 7：消融实验。角色对齐主要改善个体行为，协作优化主要改善群体互动；两部分共同支撑完整系统的表现。

模型评分的提升，人能否感受到？

模型评分里的提升，人能不能感受到？

团队邀请了 40 名年龄介于 19 至 73 岁的标注者（平均年龄 42.9 岁）进行盲评，隐藏系统名称，并随机排列展示顺序。

MASCOT 分别与采用少样本思维链提示的 Few-Shot CoT，以及情感支持多智能体框架 MultiAgentESC 比较，每个基线抽取 100 对样本，每对由两位标注者独立评价。

在每个基线对应的 200 次评价中，MASCOT 获得偏好的比例分别为 69.0% 和 68.5%。也就是说，在这两组成对比较中，约七成判断选择了 MASCOT。

图 8：人工成对偏好评测。数字表示评价次数，每个基线共 200 次；星号对应论文报告的双侧符号检验：* p<0.05，** p<0.01，*** p<0.001。

另一项人工评测中，20 名参与者比较了 100 组 MASCOT 与 Few-Shot CoT 对话，每组同样获得两次独立判断。在这 200 次判断中，MASCOT 获得了 151 次偏好，占 75.5%。

参与者还分别评价了对话的有用性、情绪回应是否恰当，以及感知安全性，为对话质量提供了更贴近阅读体验的补充证据。

同一套 AI 团队，能否适应不同性格的用户？

用户的性格差异，也可能影响多智能体的协作表现。团队采用心理学中的 Big Five Traits（大五人格）构建模拟用户画像。这一模型通过五个维度描述人格差异，英文首字母合称 OCEAN：

• Openness（开放性）：接受新观念、探索新体验的倾向。
• Conscientiousness（尽责性）：做事有条理、自律并重视计划的程度。
• Extraversion（外向性）：主动参与社交、表达和互动的倾向。
• Agreeableness（宜人性）：合作、信任和体谅他人的倾向。
• Neuroticism（神经质）：容易体验焦虑、担忧等负面情绪的倾向。

实验每次将一个维度设为High或Low，其余维度保持中等水平，形成 10 种模拟用户画像。团队将这些画像分别应用于50 个 ED 情境，共生成并评估了 500 段对话，考察用户特征如何影响系统表现。

面对 High Openness（更愿意探索新想法和体验）的模拟用户，MASCOT 的角色一致性达到 79.0。相比对应的 Low 设置，High Agreeableness（更倾向于合作与体谅他人）条件下的总体评分高出 1.9 分；High Extraversion（更主动表达和参与互动）条件下的社会贡献评分高出 2.5 分，同时保持角色一致性。

不同特征也带来了不同挑战。例如，在 High Conscientiousness（更重视条理、自律和计划）条件下，总体评分为 71.5，低于对应 Low 设置的 74.5。

在 High/Low Neuroticism（更容易／较少体验焦虑、担忧等负面情绪）的两种设置下，总体评分则较为接近，为 70.7 和 70.8。

这些受控模拟结果提示，面向不同用户的多智能体系统，需要进一步考虑角色组合与协调策略的个性化。

多智能体陪伴还需要回答什么？

MASCOT 提供了一种可训练的设计思路：让角色保持各自的行为特点，同时让协调机制根据对话进展安排发言。这为情感支持、头脑风暴和会议辅助等场景提供了参考。

目前的证据主要来自英语对话和受控评测，长期互动、不同文化与个体需求仍有待检验。当用户的目标和情绪不断变化时，这些角色还能否持续带来有用的新视角，是这类系统接下来需要回答的问题。