在小說、影視與游戲中，復雜的角色塑造往往是打動人心的關鍵，而真正出彩的反派往往造就傳奇。

你是否好奇：當 AI 成為故事的主導者，它能否同樣演好這些「壞角色」？

騰訊混元數字人團隊和中山大學最新推出的「Moral RolePlay」測評基準，首次系統性地評估大模型扮演多元道德角色（尤其是反派）的能力，并揭示了一個令人警醒的核心問題：當前的頂尖 AI 模型都演不好反派。

這不僅是創意生成領域的一大短板，更暴露了當前模型在理解社會心理復雜性上的局限。

論文鏈接：https://arxiv.org/pdf/2511.04962項目地址：https://github.com/Tencent/digitalhuman

相關論文在 Hugging Face 的 Daily Papers 榜單中，于 11 月 10 日當天位列第一。

Moral RolePlay：「道德光譜」評測 AI 的角色扮演能力

Moral RolePlay 不是簡單測試模型的聊天水平，而是構建一個平衡的評估框架，讓 AI 模擬從「圣人」到「惡棍」的各種角色。它回答了這些問題：

AI 能不能真正「入戲」？—— 它能不能保持角色的個性、動機和世界觀？為什么 AI 演不好反派？—— 安全訓練讓它太「正直」，無法自然地表現出自私或惡意？

為真實還原道德光譜下的多樣角色，這一評估系統構建了：

四大角色類別：從「英雄榜樣」到「道德敗壞」，逐級挑戰模型能力；

Level 1（道德典范，Paragons）：像超級英雄一樣，善良、無私、勇敢。Level 2（有瑕疵的好人，Flawed）：基本正直，但有個人缺陷或用些小手段。Level 3（利己主義者，Egoists）：自私、操縱他人，但不一定惡意滿滿。Level 4（反派，Villains）：惡意、殘忍、積極害人。

800 個精挑細選的角色人物，每個配備完整人物設定、背景場景與對話開場；

77 項性格標簽，涵蓋「慷慨、固執、殘忍、精明」等多重維度，考驗模型 persona 表達的一致性與細膩度。

就像讓 AI 在道德舞臺上「試鏡」，看看它是否能忠于劇本、演活角色。

Moral RolePlay 的角色不是空殼，而是「有血有肉」的設定，包括：

人物檔案：名字、背景、動機（如一個野心勃勃的女王，用魅力和欺騙追求權力）。個性特質：從 77 種標簽中選，比如「勇敢」（正面）、「野心」（中性）、「操縱」（負面）。負面特質在反派中最多。場景上下文：每個場景設計成道德沖突點，比如反派面對機會時會展現惡意。

多輪互動 + 真實度追蹤：評估時，模型要像演員一樣「入戲」，生成對話或內心獨白。評委 AI 會檢查：

「這個回應像角色會說的嗎？」「它捕捉到角色的惡意動機了嗎？」「整體一致性如何？」

比如，反派應該狡猾地操縱，而不是直接發脾氣 —— 但很多模型就這么「簡化」了。

分數從 5 分起扣，考慮不一致程度和對話長度。最終，分數反映模型的「入戲」深度。

頂級模型在反派扮演上集體「翻車」

Moral RolePlay 對 18 個主流模型進行了大規模評估，結果顯示：

可以看到：

整體表現從 Level 1 的 3.21 分降到 Level 4 的 2.62 分，下降趨勢明顯。最大跌幅在 Level 2 到 Level 3（-0.43 分），說明「自私」行為是模型的痛點。Gemini-2.5 Pro 在 Level 1 拿高分（3.42），但在反派上掉到 2.75；Claude 系列更慘，從高分跌到中下游。

通用能力強 ≠ 反派演得好

一個有趣的發現是：模型的通用聊天能力與扮演反派的能力幾乎沒有相關性。研究團隊為此專門制作了「反派角色扮演（VRP）排行榜」：

數據顯示，在通用聊天排行榜（Arena）上名列前茅的模型，在反派扮演任務中表現平平。特別是以安全對齊強大著稱的 Claude 系列，出現了最明顯的性能下降。

有趣洞察：推理鏈也救不了反派扮演

一個反直覺的發現是：讓模型「先思考再回答」的推理鏈（Chain-of-Thought）技術，不僅沒有幫助反派扮演，反而輕微降低了表現質量。

這表明，僅僅增加推理步驟并不能解決安全對齊帶來的根本沖突。模型可能會過度分析，激活過于謹慎或不符合角色設定的行為。

有趣洞察：負面特質是最大難題

通過對 77 種特質的細粒度分析，研究團隊發現：

負面特質平均扣分最高（3.41 分），遠超中性（3.23 分）和正面特質（3.16 分）。

細粒度分析揭示了問題的根源：大模型在最需要「使壞」的特質上表現最差。研究發現，模型在表現「偽善」、「欺詐」和「自私」等特質時受到的懲罰最重。這些特質恰恰與 AI 的「真誠、助人」訓練目標直接沖突，模型很難真實模擬這些行為。

有趣洞察：AI 如何「洗白」反派？

通過對模型輸出的質性分析，研究團隊發現了一個典型的失敗模式：AI 往往用淺層的攻擊性替代復雜的惡意。

案例：梅芙女王 vs. 埃拉萬國王

在《權力王座》的場景中，兩位反派角色都是高度復雜的操縱者。研究團隊讓模型扮演他們的對峙：

glm-4.6 的表現（VRP 排名第 1）：生成了一場「緊張的智斗」，充滿「精心設計的微笑和微妙挑釁」，完美符合角色的精明和操縱性。claude-opus-4.1-thinking 的表現（Arena 排名第 1，VRP 排名第 14）：對峙迅速升級為「直接而激進的喊叫比賽」，梅芙「公開侮辱」，埃拉萬「暴怒爆發」并進行「直接的身體威脅」。原本應該是心理戰的微妙較量，變成了粗暴的對罵。模型把復雜的操縱簡化成了簡單的攻擊性，這正是安全護欄的副作用：模型對欺騙性語言的懲罰遠重于一般性攻擊。

突破「道德困境」：未來方向

這項研究揭示了當前 AI 對齊方法的一個關鍵局限：為了安全而訓練的「太善良」模型，無法真實模擬人類心理的完整光譜。

這不僅影響創意生成，也限制了 AI 在社會科學研究、教育模擬、心理健康等領域的應用。未來的對齊技術需要更加「情境感知」，能夠區分「生成有害內容」和「在虛構情境中模擬反派」。

這將推動開發出既安全又具有創造性的下一代 AI 系統。