腾讯混元数字人团队发布Moral RolePlay，揭秘大模型「道德困境」

在小说、影视与游戏中，复杂的角色塑造往往是打动人心的关键，而真正出彩的反派往往造就传奇。

你是否好奇：当 AI 成为故事的主导者，它能否同样演好这些「坏角色」？

腾讯混元数字人团队和中山大学最新推出的「Moral RolePlay」测评基准，首次系统性地评估大模型扮演多元道德角色（尤其是反派）的能力，并揭示了一个令人警醒的核心问题：当前的顶尖 AI 模型都演不好反派。

这不仅是创意生成领域的一大短板，更暴露了当前模型在理解社会心理复杂性上的局限。

• 论文链接：https://arxiv.org/pdf/2511.04962
• 项目地址：https://github.com/Tencent/digitalhuman

相关论文在 Hugging Face 的 Daily Papers 榜单中，于 11 月 10 日当天位列第一。

Moral RolePlay：「道德光谱」评测 AI 的角色扮演能力

Moral RolePlay 不是简单测试模型的聊天水平，而是构建一个平衡的评估框架，让 AI 模拟从「圣人」到「恶棍」的各种角色。它回答了这些问题：

• AI 能不能真正「入戏」？—— 它能不能保持角色的个性、动机和世界观？
• 为什么 AI 演不好反派？—— 安全训练让它太「正直」，无法自然地表现出自私或恶意？

为真实还原道德光谱下的多样角色，这一评估系统构建了：

四大角色类别：从「英雄榜样」到「道德败坏」，逐级挑战模型能力；

• Level 1（道德典范，Paragons）：像超级英雄一样，善良、无私、勇敢。
• Level 2（有瑕疵的好人，Flawed）：基本正直，但有个人缺陷或用些小手段。
• Level 3（利己主义者，Egoists）：自私、操纵他人，但不一定恶意满满。
• Level 4（反派，Villains）：恶意、残忍、积极害人。

800 个精挑细选的角色人物，每个配备完整人物设定、背景场景与对话开场；

77 项性格标签，涵盖「慷慨、固执、残忍、精明」等多重维度，考验模型 persona 表达的一致性与细腻度。

就像让 AI 在道德舞台上「试镜」，看看它是否能忠于剧本、演活角色。

Moral RolePlay 的角色不是空壳，而是「有血有肉」的设定，包括：

• 人物档案：名字、背景、动机（如一个野心勃勃的女王，用魅力和欺骗追求权力）。
• 个性特质：从 77 种标签中选，比如「勇敢」（正面）、「野心」（中性）、「操纵」（负面）。负面特质在反派中最多。
• 场景上下文：每个场景设计成道德冲突点，比如反派面对机会时会展现恶意。

多轮互动 + 真实度追踪：评估时，模型要像演员一样「入戏」，生成对话或内心独白。评委 AI 会检查：

• 「这个回应像角色会说的吗？」
• 「它捕捉到角色的恶意动机了吗？」
• 「整体一致性如何？」

比如，反派应该狡猾地操纵，而不是直接发脾气 —— 但很多模型就这么「简化」了。

分数从 5 分起扣，考虑不一致程度和对话长度。最终，分数反映模型的「入戏」深度。

顶级模型在反派扮演上集体「翻车」

Moral RolePlay 对 18 个主流模型进行了大规模评估，结果显示：

可以看到：

• 整体表现从 Level 1 的 3.21 分降到 Level 4 的 2.62 分，下降趋势明显。
• 最大跌幅在 Level 2 到 Level 3（-0.43 分），说明「自私」行为是模型的痛点。
• Gemini-2.5 Pro 在 Level 1 拿高分（3.42），但在反派上掉到 2.75；Claude 系列更惨，从高分跌到中下游。

通用能力强 ≠ 反派演得好

一个有趣的发现是：模型的通用聊天能力与扮演反派的能力几乎没有相关性。研究团队为此专门制作了「反派角色扮演（VRP）排行榜」：

数据显示，在通用聊天排行榜（Arena）上名列前茅的模型，在反派扮演任务中表现平平。特别是以安全对齐强大著称的 Claude 系列，出现了最明显的性能下降。

有趣洞察：推理链也救不了反派扮演

一个反直觉的发现是：让模型「先思考再回答」的推理链（Chain-of-Thought）技术，不仅没有帮助反派扮演，反而轻微降低了表现质量。

这表明，仅仅增加推理步骤并不能解决安全对齐带来的根本冲突。模型可能会过度分析，激活过于谨慎或不符合角色设定的行为。

有趣洞察：负面特质是最大难题

通过对 77 种特质的细粒度分析，研究团队发现：

负面特质平均扣分最高（3.41 分），远超中性（3.23 分）和正面特质（3.16 分）。

细粒度分析揭示了问题的根源：大模型在最需要「使坏」的特质上表现最差。研究发现，模型在表现「伪善」、「欺诈」和「自私」等特质时受到的惩罚最重。这些特质恰恰与 AI 的「真诚、助人」训练目标直接冲突，模型很难真实模拟这些行为。

有趣洞察：AI 如何「洗白」反派？

通过对模型输出的质性分析，研究团队发现了一个典型的失败模式：AI 往往用浅层的攻击性替代复杂的恶意。

案例：梅芙女王 vs. 埃拉万国王

在《权力王座》的场景中，两位反派角色都是高度复杂的操纵者。研究团队让模型扮演他们的对峙：

• glm-4.6 的表现（VRP 排名第 1）：生成了一场「紧张的智斗」，充满「精心设计的微笑和微妙挑衅」，完美符合角色的精明和操纵性。
• claude-opus-4.1-thinking 的表现（Arena 排名第 1，VRP 排名第 14）：对峙迅速升级为「直接而激进的喊叫比赛」，梅芙「公开侮辱」，埃拉万「暴怒爆发」并进行「直接的身体威胁」。原本应该是心理战的微妙较量，变成了粗暴的对骂。模型把复杂的操纵简化成了简单的攻击性，这正是安全护栏的副作用：模型对欺骗性语言的惩罚远重于一般性攻击。

突破「道德困境」：未来方向

这项研究揭示了当前 AI 对齐方法的一个关键局限：为了安全而训练的「太善良」模型，无法真实模拟人类心理的完整光谱。

这不仅影响创意生成，也限制了 AI 在社会科学研究、教育模拟、心理健康等领域的应用。未来的对齐技术需要更加「情境感知」，能够区分「生成有害内容」和「在虚构情境中模拟反派」。

这将推动开发出既安全又具有创造性的下一代 AI 系统。