摘要　让模型扮演读者的现有做法是生成式的：人格写帖、互相评论，代价是不可复现、昂贵、难审计。本文报告一个反其道的系统：模型不写一个字，只对类型化问题返回概率；一万个由网格坐标确定性生成的人格（年龄按行、兴趣按块，邻居即相似人群）构成一个社会反应场，反应按概率分布种子化抽样，经四道波次传播。对该系统的测量得到三个结果。（1）判别力：三臂对照（真实判定 / 纯随机 / 洗掉人格形状仍问模型）显示，随机臂四波传遍全城（净情绪 +0.155~+0.190，构造使然——均匀抽样期望 +0.167 本就在续传闸门 0.1 之上），真实判定则把三段文本的到达区分到 600 / 600 / 2100 人；反应场的价值不在「让好文本传」，在「把没人要的文本判死在第一波」，故闸门读数必须对照随机基线以 z 值报告。（2）空间结构：以 rook 邻接的 Moran’s I 配置换检验（α = 0.05，次数随样本收缩 199/99/49，合成图校验 +0.798 / −0.500）度量「反应是成片还是零散」，并同样施于两版文本的差分场。（3）排序效度：开局 exposure 排序的对账显示第一波不是随机样本——首末十档停下率比 28.92，第一波 600 人中 505 人来自最高档、拿走全城 exposure 的 37.5%（随机期望 6.0%）。系统以种子化抽样、波次金样与「在旧代码上跑今日金样」的行为保持验证保证可复现；mock 通道经三次实证被禁止作为证据。单波 600 人判定成本约 $0.016，全城一万人约 $0.10–0.15，免费通道为 $0。

关键词　概率判定；社会模拟；Moran’s I；置换检验；随机基线；可复现性

1　问题的提出

让大模型扮演「读者」，主流做法是生成式的：给每个人格一份档案，让它写评论、发帖子、互相转发。Generative Agents 是这条路线的代表 [1]。生成范式的问题在测量端：输出是自由文本，不可复现、难审计，而且贵。另一条路线是「硅基抽样」：Argyle 等人让模型以不同人格身份回答问卷，用概率分布预测人群态度 [2]；Santurkar 等人则发现模型的意见分布系统性偏向特定人群 [3]——这提示，若要用模型模拟人群，人格场必须是显式构造的，而不是指望模型「自己知道」边缘群体怎么想。

本系统取概率判定路线，并且把它推到底：模型不写一个字。判定模型（TypeSafe Jev [6]）只对类型化问题返回概率——多在意、选哪个反应、最高愿付多少；引擎基于开源项目 gaborishka/jevtown（MIT）[5] 的架构改造为中文版（其思路谱系源自 a16z 的 ai-town）：一个 Cloudflare Worker + D1 + 无框架前端，作者写一段文字，一万个 AI 人格在几秒内给出反应。

这样的反应场读数是否可信，本文拆成三个可检验问题：

  • Q1（判别力）：真实判定与随机过程可区分吗？区分发生在哪个环节？
  • Q2（空间结构）：「反应是成片的还是零散的」可测量吗？
  • Q3（排序效度）：第一波发给「最可能在意的人」，这个排序的承诺兑现吗？

外加一条工程命题：读数可复现、成本可记账。

2　系统与方法

2.1　反应场的三要素

人格场。人格由 (池， 网格坐标) 经确定函数生成，不经 LLM、不入库：100×100 = 10000 格，一格一人；年龄沿 y 轴分布，主兴趣按 8 列分块——所以网格邻居就是相似的人，每格约 200 个同龄同好；城市按人口加权抽取。模型读到的是一行英文档案（”Yiran, 34, accountant, Chengdu; into gardening…”），界面显示中文词表——语言约定全文一致：题目指令用英文，被评文本保持作者语言。人格打包成 286KB 的整数字段文件，全城装载约 20 ms。

判定器。一次检查的流水线：开局一个请求打包三类题——对 60 组人群（市场类帖 83 组：额外加 19 项「想买」与 4 档预算）各一道五档在意度评分、7 道审核是非题、最多 3 道文本理解题；随后传播阶段每批 100 人、每人一道选择题（反应枚举随文本类型而异，如闲置帖：划走 / 停下 / 收藏 / 询价 / 举报）；收尾只问「停下的人」。三个关键语义：反应按模型返回的概率分布种子化抽样（种子含人格 id 与版本号，刷新重放同一批人）；单点最高概率低于 0.35 记为「模型在猜」，不强行归类；开局审核设双闸（任一审题概率 ≥ 0.5 不进公共流，≥ 0.85 拒发，阈值由 20 条文本标定：滥用类实测 0.89–0.99，严厉批评 / 骗局 < 0.3）。

传播层。四道波，新到达人数 600 → 1500 → 3000 → 其余；每波内含一小段随机尾巴（100/150/300 人纯随机入波）——每次检查自带一个从未上报的随机对照组（见 5.2）。净情绪 = 波内各反应的 tone 值之和 ÷ 人数；净情绪 ≥ 0.1 才续传下一波。

2.2　测量与验证口径

空间统计。反应场以 rook 邻接（上下左右，只连被判定到的格）的 Moran’s I 度量，显著性用置换检验：次数随判定人数收缩（≤2000 人 199 次、≤5000 人 99 次、否则 49 次），p = (1+极端数)/(1+置换数)，判定不足 30 人不出结论；置换种子取版本号哈希，回放可复现。局部热冷用原始态度而非离均差——中性多数派不应构成假冷区。仪器本身先过合成图校验：同值块 I = +0.798，正负棋盘 I = −0.500，全体同值无方差。两版文本的差分场（变好 / 变差）复用同一套统计。

差分口径。两版之差只统计两版都被判定到的人——只被一版排到的人不是「变中立」，是这次没轮到；「差 0」与「不可比」在编码上分开。

复现纪律。波次名单有逐行金样；219 个测试全部走 mock（测试禁止调用真实 API 是明文规则）；重构的行为保持不用肉眼验证，用旧代码跑今日金样——CSR 邻接重构时以 git archive 取旧版跑当前金样，16 行逐行相等、全城 exposure 逐位比对零差异。mock 通道的认识论地位由 ADR 明文规定：「mock 数字不可用于成本 / 传播预估」（实证见 4.3）。

2.3　成本与部署

记账按阶段（开局 / 各波 / 追问 / 收尾）记录 tokens、费用与模型耗时。实测：单波 600 人约 $0.0158 / 5.0 s；一条文本跑满 4 波（到达 2100 人）约 $0.032；三臂完整对照一条文本 $0.0894 / 212 万 tokens / 102 次请求；全城一万人估计 $0.10–0.15。默认通道为 Zen 免费档（$0）；访客可自带 key（BYOK，只存浏览器 localStorage，站方零 secret——上线一周后线上站方 key 实删核验）。限额只剩每 IP 每日 20 次检查，保护对象是 D1 的每日写入配额。

3　结果

3.1　判别力：与随机可区分，但方向反直觉

三臂对照（2026-10-02）：A 臂真实判定；B 臂纯随机——不看人、不看帖，在反应枚举表上均匀抽，零成本；C 臂洗掉形状——每人发全波平均分布，仍问模型。三臂同种子、同波次，模型的答案问一次三臂共用（漏了缓存就是三遍，实测第一版 128 次请求、修后 101 次）。抽样纪律：随机臂显式 Fisher–Yates 洗牌并断言三臂互斥——否则变成有放回，探针自己撞出过「两臂抽中同一个人 8554 次」。

B 臂四波全过、传遍一万人，各波净情绪 +0.155 ~ +0.190。这是构造决定的，不是模型强：均匀抽样的期望（+0.167，SD 0.687，600 人一波标准误 0.028）本就在续传闸门（0.1）之上。

A 臂给出真正的区分。三段文本，随机臂全部传遍一万人，真实判定给出 600 / 600 / 2100 的到达漏斗：咖啡馆转外卖帖第 1 波净情绪 +0.005（z = −5.76），第 1 波即停；二手电动车帖 600 人 1 波停；iPhone 转让帖 +0.102（z = −2.32）过闸，第 2 波 +0.02 后停在 2100 人。

结论因此转向：反应场的价值不在「让好文本传」——随机传得更彻底；在「把没人要的文本判死在第一波」。闸门的功能是判别，不是背书。

3.2　闸门低于随机基线：以自报告代替重标定

0.1 的续传阈值低于随机基线 +0.167，仓库报告的原话是：这条线画在「零信息」以下——净情绪落在 0.1 附近的一波，一个骰子也能掷出来。

处理方式不是重标定（那需要更多真实样本文本），而是把零假设交给读者：报告新增一节「和纯随机比，谁更想要它」，逐波给出 z 值与一句人话结论；z ≤ −2 时必须写明「这是真答案，不是没读出来」——防止把「模型判死」误读成「没判」。测量的自我怀疑做进了产品界面。

3.3　空间结构是可测量的

「这次反应是成片的还是零散的」由 2.2 的 Moran’s I 回答：三档结论（成片 / 零散 / 不可判），成片的格子可在地图上描环；整体零散时仍可能存在局部小簇。改一版再发后，同一套统计原样套在差分场上——「翻盘是成片的还是零散的」。邻接表折叠成 CSR 紧凑排布后，全城一万格的判定从约 9–10 ms 降到 7.7–8.0 ms，读数与旧实现逐位相同。具体文本的 I 读数随内容而变，本文不代读，读者可在站上对任意文本复现。

3.4　排序效度：第一波不是随机样本

第一波发给谁，由开局 exposure 排序决定：83 组在意度分的折立方加权和（兴趣 / 领域权重 1，年龄 0.6，「想买」1.5，预算 0.6）。对账用两条真实文本：

  • 首末十档的停下率之比 28.92（另一条文本 14.49，乐见率之比 25.20）；
  • 第一波 600 人中 505 人落在最高档（前 3 档合计 88%），这 600 人拿走全城 exposure 的 37.5%——随机期望只有 6.0%；
  • 开局复读噪声 MAD 0.0042 / 0.0092，而首末档分差 0.850 / 0.643——信号比噪声大两个数量级。

这条结果有两面。正面：第一波的「最可能在意的人」承诺兑现了。反面：第一波的情绪读数系统性高于全城——它偏采的正是最在意的人。这正是每波埋随机尾巴的理由（5.2）。

3.5　显著分组是稀缺事件

反应按七维切片（兴趣 / 领域 / 年龄 / 性情 / 预算 / 购物 / 城市，共 115 项）。在停下人数 ≥ 8 的 97 个切片里，提升倍数过显著线（lift ≥ 1.3，切片另有最小样本门 25 人）的只有 8 个——最高 shopping:phone 16.81×，最低 city:昆明 1.56×。换言之，在这批文本上，反应主要由文本决定、不由人群决定；「哪个群体特别买账」是稀缺事件，值得单独报，而不是默认存在。

3.6　工程读数

三项与测量可靠性直接相关的工程事实。其一，收波统计从「每波全量读一万行」改为增量快照，每波只合并本波新行。其二，默认免费通道（Zen）对 Cloudflare Worker 的共享出口持续 429——按出口 IP 判、与 key 无关，浏览器直发又被 CORS 挡死；落点是客户端指数退避（2 s → 30 s 共六轮带抖动，409 认领冲突同样重试）。其三，2026-10-31 的全功能验收轮抓到一个潜伏六天的缺陷：缓存键碰撞使已完成报告的「人格声音」整节静默消失——「两次拉取逐字相同」类缓存断言对「第一次就算错」免疫，教训是这类断言必须配一份独立来源的对照。

4　讨论

4.1　与生成式社会模拟的分工

概率判定范式牺牲了人格声音的丰富性（折中是收尾提问：划走的人为什么走、停下的人会被什么留下，按概率和聚合），换来三样生成范式难给的东西：可复现（全链路种子化，刷新即重放）、可审计（概率即原始数据，每次判定可回放）、低成本（$0.016 一波）。生成范式与判定范式是同一光谱的两端，选择取决于你要叙事还是读数。

4.2　零假设应当内嵌在仪表里

传统 A/B 实验把 p 值报给内行；本系统把随机基线画进产品报告，让写作者自己看到 z 值。3.1 的教训是：一个不对照随机的传播读数是可以被骰子冒充的。下一步现成的改进是每波那段从未上报的随机尾巴——把内置对照组读出来，每次检查就自带一场免费的效度检验，而不必专门跑三臂。

4.3　mock 的认识论地位

mock 通道的存在是为了工程对拍，ADR 明文禁止它作为证据，背后是三次实证：mock 让 iPhone 帖传遍全城而真实判定停在 2100 人；一次两版对照实验里 mock 的 A−B 净情绪为 0.000（真实为 +0.330），且 mock 的停下率分组方向相反。假数据能验证管道，不能验证世界。

4.4　与棋类系统的呼应

同一个判定模型，在作者的棋类系统里充当「判断层」（见姊妹篇《廉价判断与确定性知识》）。两处合看有一个初步分界：棋类系统里，结构（接管链）承担了 65%–76% 的决策，随机判断与真实判断的冒烟差异不可检出；本系统里，结构只决定「谁能读到、按什么顺序」，「谁在意」必须由概率本身承重——于是随机与真实的差异恰好是全部产品价值。模型概率的边际价值，取决于结构给它留下了多大的发言空间。

5　威胁效度

5.1　构念效度：「净情绪」是被构造的量

反应枚举的 tone 赋值（乐见 +1、反感 −1 等）由人工定义；五档在意度折算到 0–1；「按概率抽样」与「期望值」是两种读数——前者含单次运气（种子固定后可复现），后者免请求但抹平个体。两者不可互换，报告需注明口径。人格档案为英文字段而界面为中文，判定过程存在语言错位，其影响未单独检验。

5.2　内部效度：偏置被测量后固定，而非消除

答案列表不洗牌——实测模型偏向排前的答案，处理方式是固定顺序并记录在案，让偏置在所有文本间恒定。三臂抽样的洗牌与互斥断言来自一次真实的错误（8554 次同人碰撞）。每波随机尾巴至今未上报，是现成而闲置的对照。

5.3　外部效度：单模型、单语、四预设

全部判定来自 jev-1.13 模型族的单一中文人格池与四类预设文本。上游项目曾提供「自定义受众」路径，实测其秩相关仅 0.264 后被弃用——「问模型它会怎么分群」不可靠，改为作者挑群体、与真实停下分布对账。结论向其他模型、其他语言、其他文本类型的推广未检验。

5.4　统计结论效度

置换检验次数（199/99/49）在万人样本上功效有限，故判定不足 30 人直接不出结论；分组显著线在文档与代码间出现过漂移（文档 1.6×，代码 lift ≥ 1.3 且 ≥ 8 人），以代码为准；闸门 z 值的判读纪律是「2 以上才算不是碰运气」。凡涉及个位数百分点的比较，须对照随机基线。

6　结论

本文的贡献不是「一万个 AI 人格」，而是把读者反应做成了一件测量仪器：可复现（全链路种子化）、自带零假设（随机基线进报告）、可做空间统计（Moran’s I 与置换检验）、成本可记账（$0.016 一波）。三个测量结果：判别力集中在「判死」而非「捧红」；传播闸门必须对着随机基线读；第一波的排序承诺兑现到 28.92 倍——但代价是它系统性地偏采最在意的人。

154 次提交里，直接与模型打交道的不足五分之一，其余是并发、缓存、限额、渲染与口径。这与姊妹篇的观察一致：智能的增量不在模型的权重里，在结构里；而结构的每一分都花得可见。

数据与复现

代码与实验记录在 https://github.com/tripodxu/jevtown，线上系统 https://jevtown.logicc.top，引擎基于 gaborishka/jevtown（MIT）[5] 改造。关键原始文档：docs/research/wave-baseline-report.md（三臂实验与随机基线）、docs/research/real-api-report.md（真实通道耗时与成本）、docs/research/exposure-calibration-report.md（开局排序对账）、docs/MEMORY.md（项目记忆，最新在上）。波次金样在 test/golden-waves.txt，空间统计在 public/shared/spatial.js，地形探针在 scripts/probe-terrain.js。判定模型的棋类用法见姊妹篇《廉价判断与确定性知识》。

参考文献

[1] Park J S, Popowski L, Cai C J, et al. Generative agents: Interactive simulacra of human behavior. Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (UIST), 2023.

[2] Argyle L P, Busby E C, Fulda N, et al. Out of one, many: Using language models to simulate human samples. Political Analysis, 2023, 31(3): 337-351.

[3] Santurkar S, Durmus E, Ladhak F, et al. Whose opinions do language models reflect? Proceedings of the 40th International Conference on Machine Learning (ICML), 2023.

[4] Moran P A P. Notes on continuous stochastic phenomena. Biometrika, 1950, 37(1/2): 17-23.

[5] Habor I. gaborishka/jevtown [CP/OL]. GitHub, MIT License. https://github.com/gaborishka/jevtown.

[6] TypeSafe. Jev · System One 决策模型 [CP/OL]. https://typesafe.ai.