MiniMax M2-her：我们做出了更懂你的 AI

今天，我们分享 MiniMax-M2-her 背后的技术思考。M2-her 也是服务星野/Talkie的底层模型。

13 年前，电影《Her》描绘了AI系统 Samantha。她温柔、幽默，能同时与 8316 人交谈，却依然让每一个人都感受到自己是被独特理解的那个。

这一维度上，这部电影至今仍定义了我们对 AI 伙伴的终极想象：一个模型，实现千人千面，走进每个人的世界。

在星野和 Talkie 的更新迭代中，我们仍在思考：如何让 AI 拥有服务亿万人的能力，依然能让每一个人都觉得，自己与 AI 的对话是独一无二的？

我们认为，AI 伙伴的内核，在于用户和这个角色共同编织的旅程。

更深层次的角色扮演，是要让每个用户都能在那个世界里，拥有鲜活的体验，获得只属于自己的那个瞬间。

它本质刻画的是智能体在特定 [World] × [Stories] 坐标下，针对 [User Preferences] 的演绎能力。

这三个维度，分别对应 AI 伙伴体验的不同层面：

• World：如何让每个世界都长出自己的样子？ 不同人构建的世界千差万别，如果模型只学到平均值，所有角色就会千人一面，所有世界都会坍缩成平庸。
• Story：如何让故事再长也有生命力？ 对话越长，剧情失控风险越高。好的模型能够根据历史状态，选择合适的节奏，避免陷入机械循环；
• User Preferences：如何读懂用户未被言明的期待？ 用户不会明说，但好模型要能从细节中推断出用户的潜在偏好

01 第一步，把新的判卷标准建起来：Role-Play Bench

传统的用户体验，常用 A/B 测试来获得用户的偏好。但这一做法在模型快速迭代，且用户会对旧版本模型风格产生依赖的当下，存在明显局限。

陪伴场景的特殊性在于：不存在可验证的标准答案。

举例而言，问一个傲娇人设的 AI 角色“你喜欢我吗”，对方回答“哼，才没有”或“你烦不烦啊”都可能是对的。一百个用户有一百种期待，这导致我们无法进行有区分度的评估。

但是在相同场景下，一个傲娇角色如果回答“是的，我很喜欢你”，就明显人设崩了。因此，要定义“什么是用户喜欢的（对齐偏好）”很难，但“用户不喜欢什么”能够被清楚定义。——这就可以称为 misalignment（非对齐）。

基于这个思路，我们提出了评估标准 Role-Play Bench，聚焦三个 misalignment 维度：

• Worlds，模型能否维持复杂世界观：关注是否存在基础文本错误、逻辑混乱、事实性错误等问题，这些问题在长对话中会累积，最终破坏沉浸感；
• Stories，模型能否鲜活推进故事：关注表达多样性和叙事逻辑（如角色崩坏）。好的故事应该有呼吸感，而不是套路重复；
• User Preferences，模型能否恰当响应用户：关注是否越界、是否自说自话、是否能避免沉默、是否过度拒绝。

这套评估方法，让我们在快速迭代模型的同时，对齐真实用户体验。我们对主流模型进行了系统评测，结果显示，在 100 轮的长程对话交互中，MiniMax-M2-her 综合表现位居榜首。

评测结果显示，M2-her 在 Worlds 维度排名第一。 模型同时扮演多个角色和旁白时很容易混淆谁在说话，也容易混淆空间逻辑，比如角色和用户已经道别离开了，模型仍让他们隔空对话。M2-her 会用旁白引导时空和事件，让对话自然发展。

在 Stories 维度，M2-her 排名第五，达到较高水准。相比 Gemini 的辞藻丰富、Claude 的稳定推进、豆包的表达生动，M2-her 更偏向在平实自然的语言风格下维持多样性。

在 User Preference维度，MiniMax-M2-her 表现突出。它会避免代替用户发言，同时重视对用户意图的响应、做到自然互动。

角色扮演需要长程一致性——持续维持人物、关系与情节的连贯性，M2-her 在多轮对话中能更好地维持稳定性。

大多数模型在 20 轮后便显露疲态。M2-her 进行针对性优化后，即便在 100 轮对话中，它依然能将回复长度稳定在最佳区间，在拒绝冗余的同时，确保多样性与高信息密度。

各模型随轮次变化的质量与字数趋势图

02 第二步，让模型边服务边进化：Online RLHF

Role-Play Bench 解决了评估标准的问题，但如何让模型理解用户的真实偏好？

用户不会明说“我喜欢慢节奏”，却会在不喜欢的内容里频繁点击“重新生成”，在喜欢的对话里停留更久。这些隐式信号，是理解用户真实偏好的关键。

我们让模型持续从这些信号中学习，核心难点是筛选信号。 用户的原始行为数据存在噪声，比如：点赞可能出于习惯而非真正喜欢，长时间停留可能只是离开了屏幕。我们对信号本身进行严格筛选，并通过因果推断的方式对信号去噪。

在训练过程中，我们持续监控模型的多样性。当模型开始重复某些固定模式、失去表达多样性时，我们会提前终止训练。训练好的 RL 模型重新部署后，会收集到更高质量的反馈数据，进而训练出更优的下一代模型，形成正向循环。

Online Preference Learning 流程概览

03 下一站：共同创造世界

过去，我们专注解决“如何让 AI 扮演好一个角色”的问题。下一步的命题是：如何让用户真正拥有一个可以探索、改变、生长的世界。

我们将这个方向称为 Worldplay——让用户从“进入预设世界”升级为“共同创造世界”。

这意味着两个关键突破：

第一，动态的世界记忆。 你的每个选择都会影响后续剧情，模型需要在数百轮对话中记住“什么发生过、什么因此改变、未来可能发生什么”，就像开放世界游戏里你触发的每个支线都会改变主线走向。

第二，多角色协同叙事。 当前的关系形式主要是 1v1，但真正精彩的故事往往是群像剧。想象一下：两个角色因你而产生关联，NPC 们在你不在场时也会发生故事。

最终，我们希望让每个人都能定义自己的世界，让故事在那个世界里自由生长。用户不仅是故事的参与者，更是世界的定义者。

Worlds to Dream, Stories to Live. Let's go together.

我们还有很长的路要走，但方向已经清晰。

M2-her API 已同步上线MiniMax 开放平台。关于评测指标明细与更多细节，可在 Role-play Bench 中查阅。了解完整版技术深度解析，请点击文末“阅读原文”。

API接入：

platform.minimaxi.com/docs/api-reference/text-chat

Role-play Bench:

huggingface.co/datasets/MiniMaxAI/role-play-bench

文章来自于“MiniMax 稀宇科技”，作者 “MiniMax”。