AdaMARP: An Adaptive Multi-Agent Interaction Framework for General Immersive Role-Playing

原文链接：https://arxiv.org/abs/2601.11007 作者：Zhenhua Xu, Dongsheng Chen, Shuo Wang, Jian Li, Chengjie Wang, Meng Han, Yabiao Wang 机构：浙江大学、腾讯优图实验室 发布日期：2026-01-16

速查卡

核心 Insight

这篇论文最重要的地方，不是“角色扮演效果更像人”，而是它明确指出：沉浸式叙事失败，往往不是某一句台词写得不够像，而是系统根本没有“导演层”。

过去常见做法，是把角色 profile 塞进 system prompt，然后让模型一轮一轮往下接。这样做的上限很低：角色能说像自己，但很难稳定处理场景变化、多人互动、临时新角色加入，以及长轨迹里动机不漂移。AdaMARP 的判断是，角色扮演至少要拆成两个能力：一类是“演员”能力，负责在既定角色/场景下生成带状态感的回复；另一类是“调度”能力，负责决定什么时候切场景、让谁发言、何时引入新角色、何时结束剧情。

所以它没有继续在单模型 prompt 上死磕，而是把系统拆成 Actor Model、User Model 和 Scene Manager 三个主体。这里最关键的是 Scene Manager：它不直接生成角色对白，但决定整段叙事怎么流动。这个分层让角色扮演第一次更像一个可控的多智能体系统，而不是“一个模型扮很多人”。

为什么这个想法 work？

因为叙事的难点本来就不止“语言像不像”，而在于“状态有没有被维护”。

单模型角色扮演容易崩的根因，是它把内部心理、外显动作、环境变化和说话内容混在一条文本流里，模型只要上下文一长，就会开始丢状态。AdaMARP 通过统一消息协议，把每轮交互拆成四个通道：Thought、Action、Environment、Speech。这样一来，模型不再只是吐一段对话，而是在显式维护“我在想什么、我做了什么、环境发生了什么、我说了什么”。

更进一步，Scene Manager 用离散动作空间来控制剧情，这比“让模型自己想想接下来该怎么演”更稳，因为它先把高层决策离散化，再让下游模型执行。也就是说，AdaMARP 的改进不是玄学 prompt，而是把叙事问题结构化。

方法详解

整体架构

AdaMARP 的整体 pipeline 可以写成：

初始角色集合 + 角色档案 + 初始场景
              ↓
        Scene Manager 生成控制动作
              ↓
  如果动作是 pick_speaker → Actor/User 生成一轮消息
  如果动作是 switch_scene → 更新场景描述
  如果动作是 add_role      → 注入新角色档案与动机
  如果动作是 end           → 结束轨迹
              ↓
         写回历史，进入下一轮

论文把交互状态写成：

其中：

• $\mathcal{R}_t$ 是时刻 $t$ 的角色集合
• $\mathcal{H}_t$ 是到当前为止的完整交互历史

Scene Manager 的动作空间是：

这组动作设计得很克制，但正好覆盖了叙事里最关键的导演操作：开场、点名发言、换景、加人、收尾。

关键技术组件

组件 1：七维角色档案

做什么： 给角色建立足够细的、能跨长剧情维持一致性的 profile。

怎么做： AdaMARP 不满足于“姓名 + 性格”这种薄 profile，而是给主角色定义七个维度：

1. Identity & Appearance
2. Personality & Psychology
3. Speaking Style
4. Abilities, Interests & Achievements
5. Social & Historical Context
6. Personal History Arc
7. Relationships

直觉解释： 这其实是在解决“角色一致性为什么老崩”。如果只有性格标签，模型很容易在长对话后忘记身份关系、历史负担和说话习惯；而七维档案同时编码了内在人格、外部关系和叙事弧线，所以角色在切场景、换话题时更不容易漂。

组件 2：四通道沉浸式消息格式

做什么： 把“角色扮演消息”从单一对白升级成带内部状态的复合消息。

怎么做： 每轮消息显式交织四类信息：

• [Thought]：内部想法
• (Action)：可观察动作
• <Environment>：环境状态或变化
• Speech：真正说出口的话

关键机制： 环境被提升为一等公民，而不是旁白噪音。论文强调环境有两层作用：

• 提供氛围 grounding，帮助情绪成立
• 作为因果变量，让动作反过来改变场景，场景再影响后续回复

数值例子： 假设一段剧情是“深夜医院走廊，两人争执，门后突然有声音”：

• Thought：角色对风险的主观判断
• Action：后退、停顿、靠墙
• Environment：走廊灯光、门后脚步声、门把手抖动
• Speech：真正说出的句子

过去很多系统只保留最后一层 Speech，结果“剧情感”全靠模型脑补；AdaMARP 则把前三层显式化，所以后续每一步都能继承状态。

组件 3：Scene Manager 场景管理器

做什么： 负责高层 orchestration，而不是代替演员说台词。

怎么做： Scene Manager 在每一步都基于当前状态 $\mathcal{G}_t$ 选择动作 $m_t \in \mathcal{M}$，并输出理由。不同动作携带不同参数：

• switch_scene：输出新场景描述
• add_role：输出新角色名、档案、动机
• pick_speaker：指定下一位说话者

直觉解释： 这是本文最像“系统论文”的部分。它承认：多人叙事的问题，本质上有一个 scheduler。谁说话、什么时候换场、什么时候拉第三人进来，并不是自然会从下一句对白里“长出来”的，而应该成为可监督的决策。

组件 4：两套训练集

做什么： 分别教会系统“怎么演”和“怎么调度”。

怎么做：

1. AdaRPSet：训练 Actor Model

   • AdaRPSet-Extracted：从 81 本 Goodreads 热门书籍中抽取互动片段，构建 12,525 个会话、177,157 条 utterance
   • AdaRPSet-Synthesis：用强模型生成动态剧情数据，覆盖切场景、加角色等 extracted 数据稀缺的行为，9,900 个会话、273,078 条 utterance
   • 总计：22,425 个会话、450,235 条 utterance

2. AdaSMSet：训练 Scene Manager

   • 建在 AdaRPSet-Synthesis 之上
   • 补上 pick_speaker 等控制标签与理由字段

为什么要双数据源：

• Extracted 数据更像真实文学对话，强在“像人”
• Synthesis 数据更像控制工程样本，强在“会切场、会换人、会调度”

论文的核心判断很清楚：光靠真实文本抽取，动态行为覆盖不够；光靠合成数据，语言质感又可能发飘。两者是互补关系。

训练策略

论文给出了比较完整的训练细节：

• 验证集：从训练数据中 hold out 5%
• 训练轮数：8 epochs
• 学习率：固定 $1\times 10^{-6}$
• warmup：前 5% steps，从 $1\times 10^{-7}$ 线性升到目标学习率
• 最大长度：16K tokens
• 截断：left truncation
• 并行策略：
  • 7B/8B 单卡训练
  • 14B 用 4 张 GPU
  • 70B/72B 用 8 张 GPU
• batch：
  • 7B/8B 与 14B：micro batch 24，global batch 48
  • 70B/72B：micro batch 1，global batch 32

这套设定有个隐含信息：AdaMARP 不是靠“神秘大规模 RL”赢的，而是靠更对路的数据与任务拆分，在常规 SFT 框架里把系统做对了。

与现有方法的关键区别

实验结果

主实验

AdaptiveBench 的设置是：从 AdaRPSet-Synthesis 测试集抽 100 个 seed，每条轨迹固定运行 20 轮对话，再用 GPT-5-Chat 做 judge，对角色一致性、环境 grounding、人际互动、叙事推进和指令遵循等维度打分。

Actor Model 主结果

解读：

• 7B Qwen 经 AdaRPSet 训练后，从 8.37 提到 8.72，提升 +0.35。
• Llama-3.1-8B 加全量训练后到 8.89，超过 GPT-4o-mini（8.78）、Gemini-2.5-Pro（8.07）和 Doubao（8.42）。
• 闭源最强依旧是 Claude Sonnet 4.5（9.27）与 GPT-5-Chat（9.10），说明 AdaMARP 解决了结构问题，但模型上限仍受底座能力约束。

Scene Manager 主结果

解读：

• Qwen2.5-14B 加 AdaSMSet 后，Overall 从 7.63 到 8.37，提升 +0.74，约 +9.7%。
• 它超过 Claude Sonnet 4.5 的 8.17，非常关键：说明“导演层”能力比通用 instruction tuning 更依赖专门数据与控制 supervision。
• QwQ-32B 8.41 仍是开源推理型上限之一，说明场景管理本质上是 reasoning-heavy 任务。

消融实验（Ablation Study）

关键发现：

1. Extracted 数据的主要贡献是让模型学会统一协议和角色一致性。
2. Synthesis 数据的主要贡献是让模型学会动态剧情：切场景、重分配角色、叙事推进。
3. 对 Llama-3.1-8B 来说，只有 Extracted 明显不够；加入 Synthesis 后暴涨 +1.19，说明动态监督不是锦上添花，而是决定系统是否“会演剧情”的核心。

数据规模与可扩展性线索

这里能看出作者的工程判断：真实文本负责“质量”，合成数据负责“覆盖”。这也是为什么它更像一个系统数据工程项目，而不是单纯模型 fine-tune。

复现评估

复现建议： 最务实的路径，不是先追最强底座，而是先复刻最小版协议层：七维 profile + 四通道消息 + pick_speaker/switch_scene/add_role 三个关键动作，再做一个小型轨迹评测集。把导演层做出来，比盲目换更大模型更值。

批判性分析

局限性（论文承认的 + 我们发现的）

论文自带的边界很明确：

1. 主要评测仍然依赖 LLM-as-Judge，因此最终分数会受 judge 偏好影响。
2. 数据里大量动态剧情来自合成，天然存在 synthetic bias。

我们额外看到三个问题：

1. 评测仍偏主观。 虽然 AdaptiveBench 比静态 benchmark 强很多，但角色一致性、叙事吸引力这类指标仍主要是 judge 打分，不是可验证任务。
2. Scene Manager 的动作空间仍偏小。 五个动作已经解决了“有没有导演层”，但离真正复杂剧情系统还远，比如冲突升级、伏笔回收、多线程剧情并发都还没建模。
3. 成本问题没有真正解决。 论文附录有 token 成本分析，但系统本质上把一次对话拆成多个 agent 协作，生产环境里 token/延迟压力不会小。

改进方向

1. 引入显式世界状态机： 现在 Environment 还是文本化描述，下一步应把空间、物体、事件因果做成结构化状态。
2. 把 Scene Manager 训练成规划器： 当前更像局部调度器，未来可接长期 plot planning 与目标约束。
3. 加入真人偏好评测： 让用户对“沉浸感”和“剧情自然度”打分，和 LLM judge 做双轨验证。

独立观察

• 这篇论文和 Agent 领域最近的“planner/executor”分层是同一趋势：复杂任务开始从单体模型走向角色分工。
• 它其实不只适用于二次元陪伴或 RPG，对教育模拟、销售演练、心理辅导、企业培训都很有迁移价值。
• 中国团队这次做对的一点，是没有只卷“角色像不像”，而是卷“系统能不能稳定跑长剧情”。这比继续刷单轮 character benchmark 更有产业意义。

对领域的影响

短期看，AdaMARP 会推动“角色扮演”从 prompt skill 变成系统工程：角色协议、场景状态、调度器、轨迹评测都会成为必修课。

中期看，它会让 NPC、陪伴 Agent、AI 剧本互动和教育模拟这些场景的技术栈开始收敛：大家都得回答同一个问题——你的系统里，到底有没有一个独立的导演层。

长期看，这篇论文真正重要的启发是：沉浸式智能体不该只被当作“会说话的角色”，而该被当作“在动态世界里持续行动和协作的叙事系统”。AdaMARP 还不是终点，但它把问题拆对了。