Chinesische Akademie der Wissenschaften löst das peinlichste Problem der KI: Soziale Intelligenz

Das Team Zhijing vom Institut für Computertechnologie der Chinesischen Akademie der Wissenschaften hat offiziell das technologische System für soziale Intelligenz Zhijing vorgestellt, das das Defizit an sozialer Wahrnehmung (Social Cognition) bei großen Sprachmodellen beheben soll. Das System umfasst drei Schlüsselkomponenten: den Benchmark SoMBench (Social Mind Benchmark), das Trainingssystem Zing und die Bereitstellungsarchitektur Actio. SoMBench unterteilt das abstrakte Konzept des „Menschenverstehens“ in 3 Dimensionen, 17 Unterdimensionen und 71 Aufgaben unter Verwendung von 3481 sorgfältig ausgewählten und von Experten geprüften Beispielen; er kann nicht nur eine Gesamtbewertung liefern, sondern auch auf spezifische Fehler des Modells hinweisen (z. B. abgebrochene Gedankenkette oder oberflächliche Mustererkennung). Tests mit 20 führenden Large Language Models (LLMs) ergaben, dass das beste Modell nur 72,08% erreichte, keines die 90%-Schwelle überschritt, was die Schwierigkeit der Aufgabe bestätigt. Das Trainingssystem Zing verwendet drei Schlüsselmechanismen: FLARE („Fliegendes Datenrad“), das neue Trainingsbeispiele generiert, die auf spezifische Lücken des Modells abzielen; zweistufiges Training (zuerst allgemeine soziale Intelligenz durch Wissensdestillation und GRPO (Group Relative Policy Optimization) mit dynamischen Belohnungen, dann Stärkung spezialisierter Fähigkeiten durch Supervised Fine-Tuning (SFT) und Kalibrierung mit komplexen Beispielen); und OPD (On-Policy Distillation) zur Bewahrung alten Wissens beim Erlernen neuen, um katastrophales Vergessen zu verhindern. Die Ergebnisse sind beeindruckend: Das multimodale Modell Zing-27B übertraf GPT-5.5 im Durchschnitt von fünf internationalen Benchmarks (79,80 gegenüber 78,44), mit dem größten Abstand bei HiToM (+4,08 Prozentpunkte) und EmoBench (+5,62 Prozentpunkte). Das Textmodell Zing-32B übertraf DeepSeek-V4-Pro knapp (76,32 gegenüber 75,90), insbesondere bei EmoBench (78,13 gegenüber 71,88). Die kleinen Modelle Zing-8B und Zing-14B zeigten bei HiToM eine deutliche Verbesserung gegenüber den Basismodellen und übertrafen sogar Modelle mit deutlich mehr Parametern. Die Bereitstellungsarchitektur Actio ermöglicht die selektive Aktivierung von vier Unterstützungstypen (PRISM, Starling Memory, SAGE, Gated RAG) je nach Aufgabe, sodass das Modell nicht nur „denken“, sondern auch in realen Szenarien richtig handeln kann. Das System kann in verkörperter Intelligenz (Hilfsroboter, Begleiter), komplexer Entscheidungsfindung (Politik, Krisenmanagement) und Mensch-Maschine-Interaktion (einheitliches Sozialbewusstseinsprotokoll für mehrere Agenten) eingesetzt werden. Das Team plant, den Benchmark und die Modellgewichte auf GitHub als Open Source zu veröffentlichen.