L'Académie des sciences chinoise résout le problème le plus embarrassant de l'IA : l'intelligence sociale

L'équipe Zhijing de l'Institut des technologies informatiques de l'Académie chinoise des sciences a officiellement présenté le système technologique d'intelligence sociale Zhijing, conçu pour combler le déficit de cognition sociale des grands modèles de langage. Le système comprend trois composants clés : le benchmark SoMBench (Social Mind Benchmark), le système d'entraînement Zing et l'architecture de déploiement Actio. SoMBench décompose le concept abstrait de « compréhension des humains » en 3 dimensions, 17 sous-dimensions et 71 tâches, en utilisant 3 481 exemples soigneusement sélectionnés et vérifiés par des experts ; il permet non seulement d'évaluer un score global, mais aussi d'identifier les erreurs spécifiques du modèle (par exemple, rupture de la chaîne de raisonnement ou devinette basée sur des motifs superficiels). Les tests de 20 LLM de premier plan ont montré que le meilleur modèle n'atteignait que 72,08 %, aucun ne franchissant le seuil de 90 %, ce qui confirme la difficulté de la tâche. Le système d'entraînement Zing utilise trois mécanismes clés : FLARE (Flying Data Wheel), qui génère de nouveaux exemples d'entraînement ciblant les lacunes spécifiques du modèle ; un apprentissage en deux étapes (d'abord l'intelligence sociale générale via distillation et GRPO avec récompenses dynamiques, puis le renforcement des compétences spécialisées via SFT et calibration avec des exemples complexes) ; et OPD (On-Policy Distillation), qui préserve les connaissances anciennes tout en en acquérant de nouvelles, empêchant l'oubli catastrophique. Les résultats sont impressionnants : le modèle multimodal Zing-27B a surpassé GPT-5.5 sur la moyenne de cinq benchmarks internationaux (79,80 contre 78,44), avec les plus grands écarts sur HiToM (+4,08 points de pourcentage) et EmoBench (+5,62 points de pourcentage). Le modèle textuel Zing-32B a légèrement devancé DeepSeek-V4-Pro (76,32 contre 75,90), notamment sur EmoBench (78,13 contre 71,88). Les petits modèles Zing-8B et Zing-14B ont montré une amélioration significative sur HiToM par rapport aux modèles de base, dépassant même les performances de modèles avec beaucoup plus de paramètres. L'architecture de déploiement Actio assure une activation sélective de quatre types de support (PRISM, Starling Memory, SAGE, Gated RAG) en fonction de la tâche, permettant au modèle non seulement de « penser » mais aussi d'agir correctement dans des scénarios réels. Le système peut être appliqué dans l'intelligence incarnée (robots assistants, compagnons), la prise de décision complexe (politique, gestion de crise) et l'interaction homme-machine (protocole unifié de conscience sociale pour plusieurs agents). L'équipe prévoit d'ouvrir le code source du benchmark et les poids des modèles sur GitHub.