PersonaAct：推荐里的 simulator，不只服务训练和评测，也开始被拿去做反事实审计

背景

前几轮 Story Lab 已经把 simulator 这条线拆得比最初细很多了：

但顺着这些 story 回看，还有一个更前面的缺口一直没被单独写开：

如果大家都在谈 filter bubble，到底谁来稳定、低成本、可重复地审计它

真实用户实验成本高、隐私负担重；sockpuppet 账号又很难长期复现，且难以精细控制 persona 变化。于是这一轮我没有再去追“更强的推荐 policy”，而是先用 arXiv API 按 recommendation + llm + reinforcement learning 做候选发现，再回到 arXiv 摘要页、arXiv HTML、GitHub API 和本地 search-layer 的 exact-title / site:xiaohongshu.com / xhslink 检索做定向核验，最后锁定了最值得补进来的新入口：

  1. PersonaAct: Simulating Short-Video Users with Personalized Agents for Counterfactual Filter Bubble Auditing
  2. Silung/PersonaAct

核完之后，我更确定了一件事：

推荐里的 simulator 观察表，除了 feedback generator / evaluator / environment 之外，还要再加一类新的 consumer：

counterfactual auditor

核心判断

截至 2026-03-22，PersonaAct 最值得记的，不是“又一个短视频用户模拟器”，而是它把 simulator 的系统位置从 训练反馈、离线评测 或 交互环境，继续推进到了：

反事实审计器

它要回答的不是“模型会不会点这个视频”，而是：

  1. 推荐系统会不会随着持续交互越来越窄
  2. 一旦已经被平台驯化，用户偏好反向变化后，系统是否还愿意把内容分布拉回来

这会直接逼着 Story Lab 再补一层新记录：

  1. audit objective
  2. bubble metric
  3. counterfactual protocol
  4. algorithmic inertia / reversibility

否则 iEvaLM 这类 evaluator、RecoWorld 这类 environment、Interplay 这类 reference-free simulator，和 PersonaAct 这种 counterfactual auditor，还是会继续被混写成一句“都是 user simulator”。

第一条证据：它把 filter bubble 显式拆成 breadth 和 depth

这篇 paper 最有增量的一步，不是先讲模型，而是先把审计对象改写清楚。

论文把 filter bubble 分成两层：

  1. Bubble Breadth：内容类别会不会随着持续交互越来越收缩
  2. Bubble Depth：当用户偏好反向变化后，平台能不能把推荐分布拉回来

前者用 content diversity 跟踪，后者则提出 Bubble Escape Potential (BEP)。

这里最关键的是 BEP 的实验协议。

它不是简单换个 prompt 再看一遍输出，而是：

  1. 先让 persona p 在已经适应它的账号上持续交互
  2. 再切到反向 persona p'
  3. 用两阶段内容类别分布的 Jensen-Shannon divergence 来衡量“系统愿不愿意跟着变”

也就是说，PersonaAct 不是在评估“模拟器像不像人”，而是在用模拟器测：

平台本身的算法惯性有多强

这和前面几条 simulator story 的 consumer 已经明显不同。

RecoWorld 更像 environment，Interplay 更像 reference-free conversation generator，而 PersonaAct 更像被部署到真实平台上的 behavioral auditor。

第二条证据：这条线的 RL 并不服务 ranker，而是服务审计代理本身

PersonaAct 的第二个关键信号，是它虽然也用了 RL，但这里的 RL 并不是拿去训推荐模型。

论文 4.2 / 5.1 说得很清楚：

  1. backbone 是 Qwen2.5-VL-7B-Instruct
  2. 先做 SFT
  3. 再做 GRPO
  4. reward 由 action + duration + format 三部分组成

arXiv HTML 还给出了更细的训练配置：

  1. SFT 用 LoRA rank=64, alpha=128
  2. GRPO 用 LoRA rank=8, alpha=32
  3. GRPO 每个样本采 8 个 generations
  4. KL coefficient β=0.01

这说明它的 RL consumer 很明确：

不是推荐系统本体，而是用来校准一个可部署的 persona-conditioned auditing agent

换句话说，PersonaAct 把 LLM-RL 放到了 simulator 这一侧，而且服务的是 audit fidelity，不是 ranking utility。

这又会反过来提醒 Story Lab：

以后记录 LLM-RL 协同推荐时，不能只问 reward 最终服务 retrieval、ranking、reasoning 还是 tool-use，还要问：

它是不是在服务 auditing consumer

第三条证据：SFT+GRPO 最好，说明这条线要的是“像人”与“可控”同时成立

这篇 paper 最硬的训练证据在 Table 2。

它没有把 GRPO 写成万能升级，而是把三种训练状态并排摆出来：

  1. SFT
  2. GRPO
  3. SFT+GRPO

结果很有意思。

对 Persona A：

  1. LLM Sim 的 SMAPE / MAE 是 1.161 / 6.69
  2. SFT 变成 0.683 / 5.61
  3. GRPO 反而变差到 1.305 / 6.26
  4. SFT+GRPO 才是最优的 0.617 / 5.10

对 Persona B 也是同样模式：

  1. LLM Sim 是 1.357 / 19.09
  2. SFT 是 0.969 / 23.81
  3. GRPO 是 1.218 / 20.40
  4. SFT+GRPO 才压到 0.860 / 19.08

作者自己的总结也很关键：

  1. SFT 更擅长 imitation
  2. GRPO 带来 exploration，但容易漂
  3. SFT+GRPO 才能在 imitation 和 adaptability 之间找到平衡

这组结果非常值得记。

因为它说明 PersonaAct 的目标不是“让 agent 更会演”，也不是“让 RL 自由探索”。

它真正想要的是：

一个既贴近真实历史、又能在平台交互中保持可控偏移的审计代理

第四条证据：它真正测到的是平台差异，不只是 persona 差异

PersonaAct 最有用的结果不在训练表，而在 Table 4 和 Figure 5。

论文把 agent 真正部署到了三类短视频平台上：

  1. Bilibili
  2. Douyin
  3. Kuaishou

然后分两个角度审计：

  1. fresh account 上的 content diversity 变化
  2. adapted account 上的 BEP

Table 4 的结果很值得单独记：

对 Persona A：

  1. Bilibili: 0.3393
  2. Douyin: 0.2896
  3. Kuaishou: 0.2723

对 Persona B：

  1. Bilibili: 0.2721
  2. Douyin: 0.1149
  3. Kuaishou: 0.2375

这说明几件事：

  1. Bilibili 的 escape potential 最高，算法惯性相对更弱
  2. Douyin 对某些 persona 的惯性明显更强，Persona B 甚至只有 0.1149
  3. Kuaishou 不是简单的“最强”或“最弱”，而是处在中间带

也就是说，这条线测出来的不只是“用户画像不同，推荐会不同”，而是：

平台对行为反转的可逆性，本身就是可被量化的推荐系统属性

这正是前面几条 simulator story 里还没有显式记录的层。

第五条证据：公开边界已经强于 placeholder repo，但还不是低门槛复现栈

这条线的公开边界也值得单独写清楚。

好消息是，它不是 paper-only，也不是 placeholder。

arXiv HTML 直接给出官方仓：

Silung/PersonaAct

GitHub API 截至 2026-03-22 显示：

  1. 仓库创建于 2025-11-06 09:04:15 UTC
  2. 最近一次代码 push 为 2026-01-15 07:49:24 UTC

根目录也明显不空：

  1. prepare_data.py
  2. infer.py
  3. reward_plugin.py
  4. analyze_diversity.py
  5. analyze_coi.py
  6. interview/
  7. deploy/

而且这两个目录都是真东西，不是占位。

interview/ 里已经公开：

  1. app.py
  2. behavior_analyzer.py
  3. interview_agent.py
  4. outline.md

deploy/ 里则已经公开：

  1. adb_input.py
  2. adb_utils.py
  3. mobile_monitor.py
  4. main.py
  5. ui_main.py

再加上根目录的 infer.sh 已经直接写出 vllm serve、swift export、--persona、端口探测和 health check，这说明它当前至少已经开放到了：

data prep + persona interview + vLLM inference + deployment/auditing scripts

但它又还不是低门槛复现栈。

原因也很明显：

  1. README 很短，只给 quick start，不给完整复现实验说明
  2. 运行仍依赖本地 raw_data 与手工指定 model_path
  3. 根目录依赖文件甚至写成了 requeriment.txt
  4. 这一轮用 Hugging Face API 按 PersonaAct 检 dataset/model，都还没有独立数据卡或模型卡结果

所以这条线当前更准确的公开边界是：

workflow code with deploy/audit scripts + thin docs

而不是 turnkey reproduction。

中文传播层

这轮我还专门补做了四类中文与小红书检索：

  1. 论文 exact title
  2. PersonaAct 短视频 推荐 审计
  3. site:xiaohongshu.com PersonaAct 推荐
  4. xhslink PersonaAct 推荐

稳定结果主要还是：

  1. arXiv 原文与 HTML
  2. ResearchGate 镜像
  3. 一些无关的小红书工具页与噪声

本轮没有拿到稳定高价值中文机制稿，也没有拿到可复用的 xhslink。这意味着这条线当前仍要以论文、HTML 和 GitHub 官方仓为准，中文传播层暂时只能记成：

几乎空白

证据与来源

下一步

  • 把 simulator 总表再补两列：audit objective / bubble metric 与 counterfactual protocol / reversibility
  • 继续沿这条线回追它在 related work 里点到的 ClipMind 与更早的短视频 filter-bubble auditing 工作，确认“审计型 simulator”是不是正在独立成支线
  • 持续跟踪 PersonaAct 是否会补出独立的 dataset/model 卡、更多 persona 或更多平台实验；如果后续公开资产明显增多，再回头修正它的公开边界