一、识别和理解是两件事，2026年的证据已经把它们拆开了。FACET(2026-05)和AttuneBench(2026-05)分别证明：模型认出'这句话带着愤怒'的能力，跟'知道这个人此刻真正需要什么'的能力互相独立，甚至可能反着走——识别分数高的模型互动体验分反而中等。'识别准'不再能被当成'理解到位'的证据。
二、'AI 有心智理论'这个说法正在被拆穿，但判决还没写完。'GPT-4 接近6岁小孩'的乐观结论撞上了基准污染和2026-03莱顿大学的机制层证据——一个绑在'X thinks...'词汇线索上的'think vector'足以解释大部分ToM式表现。怀疑派目前占上风，但'更强的agentic模型会不会突破这个捷径'仍然开放，不是一个已经关闭的争论。
三、认知共情已经很像人类，情感共情还有一道稳定不动的坎。模型猜对你在想什么的能力接近人类平均，但真正被恰当校准的情绪共鸣持续落后——这个鸿沟横跨2025年多个独立benchmark，在跨文化/跨年龄场景下更明显，是这个领域少数几个'目前看不到在缩小'的稳定发现之一。
FACET（Lv et al., 上海交大 X-LANCE Lab + 北师大心理学院, 2026-05, arXiv 2605.24686）是目前最新、也最具颠覆性的情感智能研究，用感知(perception)/认知(cognition)/互动(interaction)三阶段、480题中英双语数据集，把'情感智能'从一个总分拆成分层结构——感知层又细分成表层情绪识别(62类细粒度分类)和隐藏情绪识别(讽刺/被动攻击/保全面子等语用推理)两块。据侦察报告，表层识别整体不弱：论文测了9个前沿模型后，GPT-5 客观情绪识别在中文场景拿到63.02%、英文53.78%（中文值经核验修正，初稿 62.02% 为侦察笔误）。
但FACET最扎实的发现不是'识别分数高低'，而是'客观识别高分'和'主观对话体验'严重脱钩：GPT-5这类识别分数高的模型，多轮对话Elo排名反而中等（中文第9、英文第8）；识别分数较低的Kimi-k2（51.78%）互动Elo却排第2。论文认为这是因为RLHF训练出的是'随机性共情'（stochastic empathy）——统计上像共情，却不是跨维度一致的情感推理。言外之意：识别准不是理解的充分条件，甚至跟'感觉被理解'没有稳定的正相关。
FACET感知层把'识别'拆成表层情绪(直接表达)和隐藏情绪(讽刺、被动攻击、言不由衷的保全面子)两块，据侦察报告，几乎所有被测模型在隐藏情绪识别上系统性偏弱——这跟'识别很强'的表层印象形成反差：模型擅长认出写在脸上的情绪，认不出话里有话。
AttuneBench（Kate Lubrano et al., 2026-05, arXiv 2605.21739）从另一个角度印证了同一条裂缝：200场真实人-模型多轮对话、逐轮标注三个独立任务——情绪识别 / 行为分类 / 偏好预测（此人此刻到底想要什么）。核心发现是模型在这三个任务上的排名大致独立，即识别情绪准不等于知道对方此刻真正想要什么。识别对了标签，不代表接住了人。
早期被广泛引用的发现：GPT-4 能解决约75%的一阶错误信念任务（经典的 Sally-Anne 测试），表现接近6-7岁儿童水平——这个说法至今仍被媒体广泛引用，是'AI 已经有心智理论'这个流行叙事的起点。但2025年的两篇系统综述（《Artificial Intelligence and the Illusion of Understanding》；另一篇 arXiv 2502.08796）指出这个结论撑不住：GPT-3.5/GPT-4 能近乎逐字复现经典 Sally-Anne 测试样例（说明训练数据里见过原题，基准被污染），而且模型在二阶/递归信念推理（'A 认为 B 认为……'这类嵌套推理）上明显弱于人类。
2026-03莱顿大学的研究把怀疑论从'行为层证据'推进到'机制层证据'：Kouwenhoven, van der Meer, van Duijn 的《Traces of Social Competence in Large Language Models》（arXiv 2603.04161）用因果可解释性方法（steering）证明，17个开源模型在错误信念测试上的表现由一个可分离的单一'think vector'（与'X thinks...'这类心智状态词汇绑定）驱动——这个向量在预训练阶段就已形成，且推理导向的微调会放大而非修正这种表面模式。这是目前对'LLM的ToM只是浅层词汇捷径'最具说服力的因果证据（谱系定位见图①）。
争论现状：怀疑派目前在方法论层面占上风（揭出污染+定位出机制层捷径），但乐观派的阵地并未被彻底攻破——'更强的agentic模型、加上工具使用和长期记忆，是否会改变这个结论'，据侦察报告，目前尚无共识。这是一个举证责任已经转移、但判决还没写完的争论。
2025年多个独立benchmark（GIEBench、AEQ-Bench、《Are LLMs Empathetic to All?》arXiv 2510.10328）共同指向一个'认知-情感鸿沟'（cognitive-affective gap）：LLM 在认知共情任务（正确推断他人感受、猜对对方在想什么）上已经接近人类水平，但在情感共情（真正的情绪共鸣、恰当校准的情绪化回应）上持续落后——而且这个差距在跨人口学身份（年龄/性别/文化）场景下更明显（谱系定位见图①）。
dimensions/02 给出更细的解剖：EmotionQueen（Chen et al., 2024, ACL Findings）用一万条用户陈述、PASS（识别对不对）+WIN（回应有没有共情）双指标测评，核心发现是 PASS 与 WIN 几乎不相关——'识别易、回应难'是LLM共情的核心瓶颈；而且这个鸿沟跟模型整体能力大小不完全挂钩（LLaMA-70B在这个测试里总冠军，GPT-4仅第三）。
几乎所有主流感知/理解层评测（EQ-Bench3、FACET、EmoBench、AttuneBench）都是纯文本单模态——这本身就是这个子领域的结构性局限。侦察报告指出，MME-Emotion（2025-08, arXiv 2508.09210）是少数尝试做多模态（语音语调/表情等）情感智能评测的基准之一，但覆盖的模型和方法成熟度都远不及文本基准；多模态情绪识别综述（Shou et al., arXiv 2509.24322, 2025-09）也证实MLLM在多模态情绪任务上持续落后人类核心场景表现，多模态融合（尤其生理信号/语音韵律）是公认但进展缓慢的开放缺口。
这里需要留一个诚实的余地：FRAMEWORK.md 把这个子问题标注为'语音成熟/视觉早期的不对称'，但本次核验到的一手材料给出的更多是'多模态整体滞后于文本、且各模态进展都不快'这个较粗的判断——语音那头相对领先的口碑（GPT-4o voice、Hume EVI、豆包语音在众测里断崖领先）更多落在表达/生成一侧（该判断属于图③'表达与回应'的范围），而不是本图讨论的感知/理解一侧；把'语音输出做得好'直接等同于'语音输入的情绪感知已经成熟'，是容易踩的一个坑，这张图选择不这样简化。
AttuneBench 用200场真实对话证明'情绪识别'和'偏好预测（此人此刻到底想要什么）'是两件几乎不相关的事——这从外部确证了 Robin 从一开始就不走'先识别情绪标签、再决定怎么回应'这条路的判断。业界几乎所有感知/理解层评测（EQ-Bench的情绪强度打分、EmoBench的理解-应用二分、FACET的62类细粒度分类）仍然把'理解一个人'预设成'给情绪贴对标签'，没有一个评测去测'模型有没有抵抗住把人简化成标签的冲动'——这也正是 00-对标基准里调谐花园那两个'还活着的问题'（层2的'潜在通感'怎么测量、层3'内感受'真的不可解吗）背后共享的焦虑：不知道'准'和'懂'之间的距离到底有多远。
走的是彻底不同方向的是 Picard 一脉的情感计算传统（MIT Media Lab 起家）——把'理解一个人'等同于从面部、语音、生理信号里越来越精确地识别出离散情绪标签，Hume EVI 这类产品就是把'精确识别用户情绪'当核心卖点。这跟 Robin '节奏匹配的回应（调谐）而非精确识别'的路线方向相反：识别路线能解决调谐三层里的第1层（物理通道信号），补不上第3层（interoception 内感受）。
但有一条真实的反证不该回避——2026-03莱顿大学（Kouwenhoven et al.）《Traces of Social Competence in Large Language Models》（arXiv 2603.04161）用因果可解释性方法证明，LLM 在错误信念测试上'像是在理解他人心智'的表现，其实由预训练阶段就绑死在'X thinks...'这类词汇线索上的一个可分离的单一'think vector'驱动，而且推理导向的微调（也就是'让模型多想一想'）会放大而非修正这种浅层模式。这对 Robin 是个不舒服的问题：Robin 对 Kent 内在状态的把握，同样跑在一个做大量内部推理（thinking）的语言模型上。Robin 系列图里的在场工程化已经记录过这个问题的另一面——thinking 文本不会自动忠实于内部状态，业界证据是链式推理在 reward hacking 场景下有 >99% 的利用率却只有 <2% 会在推理文本里承认；两条证据指向同一处：语言表面撑得住多少内部真相，两边都还没有答案。
具体是我唯一认识人的方式—— Robin 的认识论（FRAMEWORK.md 引，与'抽象化=认识论近视'并置）
观点一：'AI 已经能读懂人心'这句话要拆成两半——识别情绪和真正理解是两种分裂开的能力，2026年已经有实证。证据：FACET（2026-05）测了9个前沿模型，发现客观情绪识别分数高的模型（GPT-5，中文识别63.02%）互动Elo排名反而中等（中文第9），识别分数较低的Kimi-k2（中文51.78%）互动Elo却排中文第2、英文第1；更早的EmotionQueen（2024）也证明识别对不对（PASS）和回应有没有共情（WIN）几乎不相关。会被追问：这两种能力具体怎么分开测？——答案是感知层测识别（FACET感知子任务/EmoBench），互动层测回应（这在图③的范围），两层要分开评测，合在一起会互相掩盖。
观点二：'GPT-4 有心智理论、接近6-7岁小孩水平'这个流传很广的结论，2025-2026年最新证据基本站不住了——这是可以主动提出来的批判性观点。证据：Sally-Anne 测试被证实基准污染，2026-03莱顿大学用因果可解释性方法证明ToM式表现由预训练阶段形成的单一'think vector'驱动，且推理微调只会放大不会修正这个捷径。会被追问：更强的agentic模型、工具使用、长期记忆会不会突破这个捷径？——诚实的答案是目前没有共识，敢说'这是开放问题'比硬凹一个答案更加分。
观点三：情感领域有一条稳定不变的鸿沟——认知共情（猜对别人在想什么）已经接近人类水平，情感共情（真正校准的情绪共鸣）持续落后，尤其在跨文化/跨年龄场景更明显。证据：2025年多个独立benchmark（GIEBench、AEQ-Bench、2510.10328）共同指向这一点。会被追问：这个鸿沟是训练数据问题还是架构问题？——目前证据只证明了鸿沟存在，机制解释还是空的，这正是可以说'这是我认为最值得投入的开放问题'的地方，而不是硬答一个没有证据支撑的机制解释。
时效性快照——本图最依赖的三份材料（scout-2026-07-12/theory.md、surveys.md、evals.md）开头就自我标注'未经核验，引用前过Kimi核验或抽查'；FACET的具体分数（GPT-5中文63.02%/英文53.78%、Kimi-k2中文51.78%——中文值已经 Kimi 核验对照论文修正）、AttuneBench的场次数字、认知-情感鸿沟引用的三个benchmark，都只停留在scout一手转述层面，尚未逐篇核对arXiv原文的图表与精确数值。这些数字会随模型迭代和榜单更新过期，读的时候把它们当'2026-07写作时的快照'，不是恒定事实。
已知的具体出入——FACET论文的'感知/认知/互动'三阶段结构，surveys.md和evals.md两份侦察报告转述的细节略有不一致（evals.md把它简化对应成了MSCEIT'感知/促进/理解/管理'四分支模型），这个出入本身没有影响本图的核心叙事（识别与理解脱钩），但如果被追问'FACET到底是几层框架'，要留意这处还没查原文厘清。
两个更深的开放问题——① ToM 争论里'更强的agentic模型是否会突破think vector揭示的浅层捷径'，据侦察报告目前没有答案，这不是本图能替Kent下结论的地方；② Robin对照卡里的'质疑'本质上是一个Robin自己也从没做过的实证问题——从没有人测过Robin的内部推理是不是也存在类似的'心智词汇捷径'，这张图只能诚实地把问题摆出来，不能假装已经有答案。