Vela用十万用户行为训练AI：模型能否读懂具体的人

一个AI助手到底要怎样才算真正摸透你？这个问题不妨先放一放。

它得懂的不是“用户”这个笼统的概念，而是那个具体的、独一份的你：深更半夜你搜过什么，购物车里躺着哪些迟迟没付款的东西，哪类内容能让你多停三秒，什么玩意儿一露头你就顺手划走。这种本事，教科书教不会，互联网上堆积如山的文本也教不会。

2026年，一群研究者就撞上了这道难题。他们给它取了个挺顺耳的名字——“用户维度的智能”，随后干了件颇为大胆的事：把某社交媒体平台十万名用户的真实行为记录，拿来当训练AI的教材。

论文的主角名叫Vela，它要对付的问题，说起来你可能觉得耳熟。

**眼下AI被越来越多地放进需要“懂人”的场景里**

替你打理日程的个人助理、猜你想买什么的推荐系统、朝你投放广告的系统，都算。这些场景有三处相通：盯的是某一个具体的人，并非“平均用户”；得看懂你几周乃至几年的行为积累；每个判断都要有行为证据撑着，不能凭空瞎猜。

论文把这三条归结为“用户维度的智能”。这个说法挺贴切：它衡量的是AI对你这个具体的人有多懂，并非AI本身有多聪明。

麻烦在于，如今的大模型压根不是照着这件事训练出来的。

它们吞下去的材料是网页、教科书、代码，外加人工合成的数据。这些材料里或许出现过“用户”二字，可没有一样能告诉AI：一个活生生的人，兴趣是怎么从上周到这周一点点挪动的。研究者还撞见一个挺讽刺的现象：数学、代码上更拿手的大模型，到了用户相关任务上未必更行。让模型给用户做长期行为总结，它说着说着就容易滑向一个并不存在的“平均人”，行为历史越长，反而越容易丢掉准头。

这好比请一位从没在你家住过的管家来猜你爱喝什么茶。茶百科全书他读了个遍，每种茶叶的产地、功效都背得出来，可他不知道你每天下午三点雷打不动要喝的是哪一款——你真实的那杯茶怎么续上的，他压根没见过。不让他看你实际的饮茶行为，他张口只能推荐“大众最爱喝的茶”，而非你真正中意的那杯。

那该怎么办？答案其实一直摆在那儿，只是过去没人成体系地用起来。

真实的用户行为数据，早就在各大内容平台和个人助理应用里越堆越高。这些记录里藏着一条现成的监督信号：

用户行为作为监督*：训练AI模型的信号取自用户在平台上的真实动作，并非人工编造的样本或静态文本。用户下一步实际干了什么，就是检验AI预测准不准的标准答案。

思路听着不难，难的是把一团乱麻的行为日志，整理成一份份能喂给AI的“习题册”。

一、从十万人的生活轨迹里，挖出九十一种考题

Vela团队到手的，是某大型社交媒体平台十万名用户的匿名行为记录，每人的历史跨度从几周到几年不等。动工之前，他们先做了一道必要的清理：姓名、联系方式、账号ID这类能直接锁定到具体个人的信息，统统剔除；凡是沾上这类敏感信息的记录，索性整条丢弃不用。

清理完毕，每个用户的行为被分进六个类别：浏览内容、搜索东西、购买商品、发布内容、关注账号，以及“划走不感兴趣的内容”。一个人在社交平台上能干的事，大体跑不出这六类。

再往下，是整篇论文最巧的一步：一条行为时间线，怎么变成一道有标准答案的考题。

研究者的办法是在每个用户的行为序列上切一刀。切口之前叫“可见历史”，是模型能看到的全部信息；切口之后叫“隐藏未来”，这段不给模型看，只用来核对它的预测对不对。切法具体是：每段取七万二千到十二万token的长度，前头大约三分之二划作可见历史，后头三分之一划作隐藏未来。

这“切一刀”的设计，说到底是在还原一个真实的预测场面。你看着一个人过去三周的行为，然后被要求猜他接下来三天要干什么。

就像一部电影只放八十分钟，剩下二十分钟的结局要你来猜。片子若是真实世界录下来的，你猜得准不准有唯一确定的答案，自己编个“合理结局”糊弄不过去。不这么切、放任AI凭空编一个用户故事，它总能编出听着合理却根本不是真相的答案——这样的训练毫无意义，它学会的只是“怎么编得像”，并非“怎么猜得准”。

沿着这种切法，Vela搭出了九十一个问题模板，归入两大家族。

**预测类问题，答案藏在未来里**

预测类问题再分两种。其一是“客观题”：把可见历史和一份候选清单一起交给模型，让它从中挑出用户未来真会做的事，比如会买哪件商品。候选清单里真答案和干扰项混在一起，评分方式很直白——选对算对，对不上就算错。

还有一类题叫“开放预测题”，不给候选清单，让模型自己说，比如直接答用户接下来会搜什么关键词。这类题打分更麻烦，模型的说法和标准答案不可能一字不差。于是研究者让另一个AI当裁判，把模型答案里提到的内容和真实的未来行为做语义匹配，再用“集合F1”这个指标算分。

集合F1是一种衡量预测准确度的指标，它同时看两件事：该猜中的猜中了多少，不该猜的又猜错了多少，两头兼顾取一个平衡值。

**评分类问题，答案没有唯一标准**

另有一类叫“评分类问题”，面对的任务压根没有唯一正确答案。比如“开放题”让模型根据可见历史去总结用户的兴趣、性格或者语言风格，写法可以千变万化，用“对不对”根本判不了，只能靠一套评分细则来打，像“有没有引用具体证据”“有没有躲开没依据的臆测”。

“归因题”也值得一说。它先把用户未来确实发生过的某个行为告诉模型，再让模型根据可见历史解释“他为什么会这么做”。这道题考的不是预测，是解释。好答案要指出证据链，还得老实承认哪里证据不够，不能把“看到的关联”硬说成“确定的因果”。

设计这两套题目家族时，研究者还留了一手：同一个未来行为事件，只能随机归到预测类或者归因类，不能两边都出。道理不复杂，归因题要是先把答案抖出来了，再问预测题，模型根本不用推理，照抄归因题里的信息就能蒙对。

整套流程跑下来，产出了十万道候选题目，覆盖九十一个模板，横跨六大行为类别。出题和评分这两个关键环节，都交给了参数量2.4万亿的大模型Qwen3.8，用的是它的最高思考等级。

二、不是所有题都值得练:难度过滤和轨迹筛选

十万道题听着多，研究者却没打算一股脑全塞进训练流程。他们加了两道关卡。

头一道叫“难度筛选”。做法是让待训练的基础模型Qwen3.6对每道题生成四次回答，不开思考模式，再看这四次回答的平均得分落在哪个区间。平均分在0.2到0.8之间，这道题留下；平均分太低，说明题太难，模型根本无从下手；平均分太高，说明题太简单，模型随便答都能对，练了也长进不了什么。

这个设计背后的道理，和健身房里的“渐进式负重”差不多。举重时杠铃轻到闭着眼都能举起来，练了也白练，肌肉受不到刺激；杠铃重到怎么都举不动，同样练不出来，还容易受伤。真正有效的强度，是拼一下能举起来、不拼就举不起来的那种。太简单和太难的题不筛掉，模型训练时要么学不到新东西，要么被完不成的任务反复打击，效率会掉一大截。

过了难度关，还有第二道关卡，叫“轨迹接受标准”。对每道留下来的题，让生成模型产出四条训练轨迹，也就是四种不同的解题过程和答案，只挑得分最高的一条。这条最高分轨迹还得再检验一次：得分必须超过难度筛选阶段测出的那个平均分，否则这道题这次一条轨迹都不要。

两道关卡把下来，最后留下大约七万五千道题目，每道配一条精选训练轨迹，组成了Vela-Instruct训练语料库。另有一个规模更小的版本Vela-RFT，用的是基础模型Qwen3.6自己生成的轨迹，共9375条训练样本，留给后续强化学习实验用。

三、验证场:十个考场,检验AI到底懂不懂人

训练数据备齐了还不够，研究者另外搭了三组评测体系，用来检验训练效果。

第一组是VelaBench，由九百八十二道留出来、没参与训练的题目构成，题型和训练集一致，九十一个模板全部覆盖。这些题涉及的用户和训练数据里的用户完全不重叠，为的是保证评测公正。

第二组叫“用户相关的分布外评测”，下面有四个独立子榜单。PurchaseIntent考购买意图预测，给一堆候选商品，看模型能不能把用户真正会买的排出来。ProfileSummary考用户画像总结，要求生成结构化的兴趣描述。PersonaBench考对用户属性的多选题判断。AdRecommendation考广告推荐，看模型能不能根据用户资料生成有效的广告检索词。

第三组是“通用能力分布外评测”，用来查这套训练方式会不会把模型别的本事练废。里面包括数学竞赛AIME 2026、科学问答GPQA-Diamond、指令遵循能力IFBench，还有两个考情境学习能力的CL-bench和CL-bench Life。

三组评测合在一起，相当于同时看一个学生专业课学得怎么样、能不能用到现实场景里、别的科目有没有被耽误。这个思路挺实在，专业课分数高，不代表真学明白了，也不代表他没为了刷这门课的分把其他科目荒废掉。

四、训练出来的模型,到底强在哪

基础模型Qwen3.6-35B-A3B总参数三十五亿、激活参数三十亿，拿Vela-Instruct训练一遍，得到的新模型叫Vela-35B-A3B。用Vela-RFT训练出来的版本则叫Vela-35B-A3B-RFT。

结果出来后，数字挺扎实。

VelaBench上，Vela-35B-A3B拿到63.0分，比没训练过的基础模型高出11.5分。更有意思的是，这个激活参数只有35亿的小模型，在这个榜单上甚至压过了参数规模大得多的DeepSeek-V4-Flash和2.4万亿参数的Qwen3.8。

四个用户相关的分布外测试上，Vela-35B-A3B平均提高6.2分，涨得最猛的是AdRecommendation广告推荐任务，提升了11.2分。

通用能力这块反倒最出人意料。按一般经验，专门冲着“懂用户”去训的模型，在数学、科学这类跟用户八竿子打不着的任务上，往往要退步，训练中这种“此消彼长”并不少见。可Vela-35B-A3B在五个通用评测上全部压过基础模型，平均涨了4.0分，IFBench指令遵循提升6.7分，CL-bench Life情境学习提升5.6分。

| 基准测试 | Qwen3.6-35B-A3B基础模型 | Vela-35B-A3B | 提升幅度 |

|---|---|---|---|

| VelaBench | 51.5 | **63.0** | +11.5 |

| ProfileSummary | 20.4 | **30.5** | +10.1 |

| AdRecommendation | 51.1 | **62.3** | +11.2 |

| IFBench | 62.5 | **69.2** | +6.7 |

| CL-bench Life | 7.2 | **12.8** | +5.6 |

| GPQA-Diamond | 82.8 | **87.4** | +4.6 |

这个结果挺能说明问题：拿真实用户行为数据练出来的本事，并不是一块孤立的“用户理解特长”，它还会反过来喂养模型整体的推理与理解力。一种可能的解释是，要读懂一个人复杂多变的行为历史，模型本身就得会从长文本里挑关键信息、盯住变化、把证据拼起来，这些通用能力在练题的过程中顺带也被夯实了。

五、数据越喂越多，模型会不会越学越好

研究者又补了一组扩展实验，想搞清楚一件事：训练数据从几千条一路加到七万五千条，进步曲线会长成什么样。

他们从Vela-Instruct里随机抽出五个不同规模的子集，分别是4.7K、9.4K、18.8K、37.5K和75K条样本，每个子集各训了一遍。

结果是，只用4.7K条样本，VelaBench分数就从51.5蹿到59.2，说明哪怕真实用户行为数据量很小，提升也相当明显。数据量继续往75K加，分数一路爬到63.0，而且37.5K到75K这段还在稳稳往上走，看不出明显到顶的迹象。

用户相关分布外评测的平均分从43.5升到47.5，通用能力评测平均分从55.8升到58.2，所有测试规模下的表现都盖过了基础模型。

这有点像让一个刚入行的厨师一点点加练习量。切第一百个洋葱和切第一个洋葱，手感进步肯定不是等比例的，头一段涨得最猛，可只要食材和火候不出岔子，接着练下去，手艺还是往上走，不会因为练多了反而变差。研究者要是只拿4.7K数据就收手验证，没准会以为天花板到了，多测几个规模点才发现，这条曲线离尽头还远。

六、训练出来的底子，会不会让后续的强化学习更有效

论文还追了一个挺讲逻辑的问题：Vela训出来的模型既然已经是个更懂用户的“好学生”，再去参加强化学习这种更高阶的训练，表现会不会更好？

研究者拿基础模型Qwen3.6和经过Vela训练的模型，分别做同样配置的强化学习，用的方法叫GSPO。

组序列策略优化*：一种强化学习训练方法，通过对比一组生成结果的相对好坏来调整模型，不需要额外训练一个独立的打分网络。

实验结果很直接。VelaBench上，从Vela起点做强化学习，最后能冲到66.2分，从基础模型起点出发只到58.5分，两者差7.7分。ProfileSummary上差距同样是7.7分（37.6对29.9）。还有个更关键的细节：不管哪个起点，强化学习训完的模型都明显高过它训前的监督微调起点，可从基础模型出发做完强化学习的分数，仍然比不上从Vela起点出发、还没做强化学习时的分数。

这个现象值得细琢磨。好比两个学生同样花一个暑假刷题冲刺，一个底子本来就牢，一个基础薄弱，刷同样长的题，底子牢的最后分更高，基础薄的那个就算拼了一整个暑假，可能还赶不上底子牢的那个在暑假开始前的水平。跳过前面“打基础”这个训练阶段直接上强化学习，看着是省了一步，可最终天花板会更低。

七、难度过滤到底值不值得做

论文还单独验了一下难度筛选这步是否真有必要。他们在37.5K数据规模上做了对比，一组正常经过难度筛选，另一组从十万候选题里随机抽样，不做任何筛选。

对比结果很干脆：做了难度筛选的那一组，在四个与用户相关的评测上全部领先，平均多出1.1分；VelaBench上两组却打成平手，均为62.4。按论文的解读，难度筛选起作用的地方主要在“举一反三”的泛化层面，并非让模型把训练过的题型背得更熟。

八、后续可能往哪走

用用户行为来训练AI，这个念头并非Vela首创。P5曾把多个推荐任务收进一个文本生成框架里处理，RLPF则通过预测反馈来训练模型生成用户摘要。不过这些工作各自盯住一个具体应用场景，至于这种做法能不能带动模型更广泛的能力，此前没有人验证过。

接下来的延伸方向，大概可以分成两条。一条是任务模板继续扩充：九十一个模板已经覆盖六类行为，可现实中的用户行为远比这丰富，多模态交互、跨平台行为的拼接，都是有待纳入的新题型。另一条是数据规模继续做大。论文自己也提到，样本量到75K时曲线仍未明显放缓，照此看，如果能灌入更多真实行为数据，用户理解能力和通用能力或许都还有上涨余地。

写在后面

读完这篇论文，让我最感意外的，是它没有绕开真实数据的隐私风险，反而拿出一套相当实在的清理机制来应对这个矛盾。不少做用户行为研究的工作一遇到隐私问题，就转去用合成数据，可合成数据又学不到真实行为的复杂之处，两头为难。Vela的选择是照用真实数据，只是在数据进入训练流程之前，把能定位到具体个人的信息一层层剔掉。这算不上什么新发明，但它说明一件事：真实性和隐私保护，未必只能二选一。

另一个让我反复琢磨的点，是“通用能力不降反升”这个结果。按直觉，专项训练总要付出代价，练用户理解的题，多半会挤占模型本来学别的东西的“注意力”。可实验数据给出的恰恰相反。这说明“理解一个具体的人”背后调用的能力，比我们以为的更基础、更通用。要理解一个人的行为变化，需要从海量噪声里抓重点、跨时间整合证据、识别模式变化，这些本身就是智能的底层构件，并非什么“用户专用技能”。

论文还留下一个没解决的问题，追问起来挺有意思：假如用户行为数据真是一种有效的监督信号，那它和人类写的文本相比，谁更接近“真实世界”？文本是人经过加工、修饰、省略之后写下的东西，行为日志却是未经修饰的、原始的，甚至是不自觉的流露。如果将来AI学习的主要素材从“人写的话”转向“人做的事”，它学到的世界观，会不会和现在完全不同？

Q&A

Q1：Vela是什么？

真实用户的行为数据怎么变成AI训练素材？Vela这套框架给出的做法是：从十万名用户的匿名行为记录里造出十万道训练题目，让大模型借此学会看懂用户、预判用户下一步动作。

Q2：用Vela训练出来的模型效果怎么样？

A：Vela-35B-A3B在用户相关任务上比基础模型平均提升6.2分，在VelaBench上提升11.5分；数学、科学等通用能力测试上也平均提升了4分，没有出现专项训练拖累其他能力的情况。

Q3：Vela会不会侵犯用户隐私？

论文提到，动手构建训练数据之前，姓名、联系方式、账号ID这些能定位到具体个人的信息就已经全部剔除；凡是带有可识别个人身份信息的记录，一律不纳入。数据使用的整个流程也拿到了平台授权，并通过隐私伦理审查。