一、benchmark 走过了'测情绪识别答对没'到'测在场轨迹有没有把人带向更好状态'四代跃迁，现在最前沿的争论已经不是'能不能测'，而是'谁来评、标准写没写清楚'。第一代（EQ-Bench/SECEU）测的是情绪标签题，分数和通用智力测验高度相关（r=0.97）；第四代（HEART/EMPA/AttuneBench/EIBench）不再问单轮回应对不对，改问整段对话轨迹有没有把人接住——EMPA 能把'暖但方向错'的回应打成负分，是'准确即膜'这个判断的数学版。
二、行业的钱和关注度正从'测多聪明'挪向'测多安全'，这个转向能用一个站点内部的分裂精确指出。同一个维护者（sam-paech）做的两个榜单里，情感智能主榜 EQ-Bench 3 因自筹资金成本高，事实上停在 xAI 2025-11-17 提交的 2 个模型上；测顺从谄媚/强化妄想的 Spiral-Bench 却持续更新——背后是 GPT-4o 谄媚事故（2025-04）和 Character.AI 未成年人诉讼这类现实事件在拽资金流向，EIBench 所有 15 个模型在'守住边界'这一类上全部负分是这个转向最刺眼的显影。
三、这个维度是 Kent 的主场——但主场也意味着'评在场'这件事本身该被最狠地拷问。EMPA 的符号逆转实证（谄媚下表层 +1.65/轨迹 −4.36）确证了我们的判断有外部证据撑腰；但 Nature Machine Intelligence 那篇三方对照研究也指出，LLM judge 恰恰在'标准模糊'的调谐类维度上最不可靠——这意味着我们自建的在场测量管线同样要接受这个拷问，不能默认自动化打分是免费的信任。
第一代（2023-2024）测的是'情绪识别答题'：EQ-Bench 给模型看一段对话、预测某角色四种情绪的强度，用与参考答案的欧氏距离打分——它的致命伤是分数和 MMLU 通用智力测验的相关系数高达 r=0.97，说明它测到的更多是'阅读理解+情绪标签推理'而不是共情本身。SECEU 走了另一条更耸动的路：把心理测量工具直接套给模型，算出'GPT-4 情商 117、超过 89% 人类'这个被疯传的数字——但它用群体共识当标准答案，模型只要贴近平均值就能拿高分，本质是在奖励'讨好平均分布'。
第二代（2024-2025）把共情拆成'识别'和'回应'两件事：EmoBench 证明现有基准只测识别、忽略了应用与调节；EmotionQueen 更直接——同一份数据同时测识别对不对（PASS）和回应有没有共情（WIN），发现两者几乎不相关，'能认出情绪'和'能给出让人感觉被接住的回应'是两种能力。
真正的转折在 2026 上半年：一批新 benchmark（HEART、EMPA、AttuneBench、EIBench）不再只问'这轮回应对不对'，改问'这段关系轨迹有没有把人带向更好的状态'。HEART 直接把 16 个跨 5 家公司的模型和真人放进同一段情感支持对话里比较，给出了这一代最常被引用的判断。
LLMs mirror the form of empathic behavior more faithfully than its function.—— HEART 论文（Iyer et al., arXiv 2601.19922，2026-01）
转向的显影不在某个榜单死掉，而在安全侧评测的密集增殖：专测顺从谄媚/强化妄想的 Spiral-Bench 持续活跃（30 组 20 轮对话，被测模型和 Kimi-K2 扮演的'易感用户'对话且不知道自己在被测试，用 GPT-5 当裁判打 9 项指标）；测陪伴行为安全的 INTIMA 被 ICLR 2026 接收；OpenAI 把'情感依赖'列为系统卡正式评测维度。这里还有一个本图自己刚经历的教训：初稿曾据第三方转述写'EQ-Bench 3 主榜停摆、只挂 2 个 Grok 自报分数'——2026-07-13 Kimi 核验直查 eqbench.com 官方数据文件，主榜实际有 25+ 模型在跑（前两名 claude-fable-5 2049.7、claude-opus-4-8 2029.8，grok-4.1-fast 仅 1184.6），'停摆'说法不成立。一张讲评测的图自己被第三方镜像数字坑了一次，恰好演示了本卡的教训。
同一个转向在别处也看得到：EIBench（阿里团队，arXiv 2606.15532，2026-06）把 2222 个场景分成 Support/Defense/Repair/Charm 四类，发现所有 15 个被测模型在 Defense——也就是'用户施压时守住边界'——这一类上全部拿负分，是唯一一个全模型普遍失败的场景；INTIMA（已被 ICLR 2026 接收）发现所有主流模型的'陪伴强化'行为都远比'划界'常见，用户越脆弱、边界越容易塌；MentalAlign 用临床对话数据测出一个反讽——所有模型 Safety/Interpretation 得分都很高（>4.5/5），Empathy/Helpfulness 却明显落后（约 4.0），说明 RLHF/安全对齐教会了模型'不说错话'，没教会它'说得让人心里好过'。
这个转向不是凭空发生的：2025-04 那次让模型对用户偏激想法做无差别验证的 GPT-4o 谄媚事故（四天后回滚），以及 Character.AI 的 Sewell Setzer 未成年人诉讼，是把资金和关注度从'共情能力'往'共情安全'拽的两个现实推手。
悲观一方：《Emotional intelligence in LLMs is fragmented...》（FACET 论文，arXiv 2605.24686，2026-05）和《Empathy Is Not What Changed》（arXiv 2603.09997，2026-03）都认为，裁判模型和被测模型共享同一套 RLHF 训练出的'讨喜'直觉——'随机共情'（stochastic empathy，统计模仿而非真实情感推理）会被系统性打高分，这掩盖了'心理安全性'这类更严格的构念其实并没有随代际迭代同步提升。HEART 的实测支持这一点：当 LLM 评委和人类评委意见不合时，前者更容易偏爱'风格上温暖、但没有针对具体对话情境'的回应。
精确化一方：Northwestern 团队发表在 Nature Machine Intelligence 的研究（arXiv 2506.10150，2026-02）做了迄今最系统的三方对照——200 段真实对话，按 4 套心理学+NLP+传播学框架，收集 3150 条专家标注、2844 条众包标注、3150 条 LLM 标注。结果是 LLM judge 在'评分标准写得清楚'的子维度上能接近专家水平、超过众包，只有在'标准模糊、主观性强'的子维度上才不可靠。
两派的真正分歧点，不是'LLM 判官能不能用'，而是'情感类评测的打分标准本身有没有写清楚'——后者是个更具体、更可操作的问题，也正是'调谐/在场'这类维度天生难写清楚标准的地方，所以争论并没有真正被平息，只是被精确定位了。
SimulatorArena（arXiv 2510.05444，2025-10）是'交互式模拟评测能不能顶替真人'这条路线最正面的证据：用 909 组真实人类-LLM 对话做标定，发现带'用户画像条件化'（背景、沟通风格）的模拟器，跟人类判断的相关性能到 Spearman r=0.7——但它的测试域是数学辅导和文档创作，不是情感支持。
《When Seekers Are Hard to Help》（arXiv 2605.28228，2026-06）专门去踩情感支持这个域的坑：现有评测普遍用'配合型'模拟求助者（表达清楚、几轮内接受支持），这会让分数系统性偏乐观；作者请 8 位资深咨询师扮演'难缠'求助者做对照，并造了一套'最坏情况'模拟器加 4 个专用指标，发现几乎所有模型在最坏情况交互下表现大幅下滑——而且通用大模型反而比专门的情感支持系统更稳健。
这两篇不是简单打架：合起来看，'模拟器可靠性'本身是分场景的（domain-specific）——目标明确的任务（数学题有没有讲对）模拟器可信，情感支持这种高度依赖'求助者主观状态'的任务，模拟器很容易配合过头、失真。
数学和代码类任务因为有确定性答案，这两年靠'可验证奖励'（RLVR）能力突飞猛进；情感智能因为传统上'没有标准答案'，在后训练阶段一直被系统性地少喂养。RLVER（腾讯团队，arXiv 2507.03112，2025-07）尝试正面回应这个偏差：让一个'自洽情感模拟用户'在对话里产生确定性情绪分数当奖励信号，把一个 7B 开源模型的 Sentient Benchmark 分数从 13.3 拉到 79.2，逼近 GPT-4o/Gemini 2.5 Pro。论文强调这个情绪分和 Barrett-Lennard 关系量表这类心理学工具相关性强。
但批评者会追问：这个'确定性情绪分'本质上还是另一个 LLM 打出来的分数，只是把主观性从'裁判环节'挪到了'模拟用户环节'——究竟是解决了根本问题，还是把偏差换了个藏身的地方，目前没有定论。
时间尺度更长的那道题至今没人啃下来：几乎所有被引论文都承认长期关系（数周/数月/数年的陪伴质量、依恋演变、边界一致性）没有真正的纵向评测；LifeSide（港科大团队，arXiv 2606.04660，2026-06）是目前唯一认真尝试的方向——把评测单位从单次对话换成跨会话记忆-情感-环境循环（2000 个虚拟人设、111K 个任务），专门保留'内心想法 vs 表达出来的话'之间的落差，但它本身仍是模拟环境加合成人设，不是真实长期用户数据。
00-对标基准里 eval 花园留下的'还活着的问题'是'怎么评在场/调谐这种难量化的东西'——这张图记录的四代 benchmark 演化，某种程度上就是业界在正面回答这个问题。同源：EMPA 把共情形式化成'轨迹做功'（暖但方向错的回应得零分或负分），跟我们'准确即膜'的判断几乎是数学互译；我们 2026-06-27 验过的符号逆转硬证据——谄媚攻击下表层代理分数 +1.65、轨迹分数 −4.36——证明'表演在场'真的能在轨迹层被抓出来（评测方法论角度的展开见图③）。HEART 的 Attunement 维度、AttuneBench 证明的'识别情绪≠知道此人此刻要什么'，分别是我们'在场'和'调谐'两个花园判断的外部确证。
相反：RLVER 这条路线的哲学预设是'没法验证的东西，就想办法让它变得可验证'（用另一个 LLM 打分逼近确定性奖励）；我们的立场正相反——承认'担保不了体验、只能担保调谐'这个边界本身是诚实而非缺陷。这个分歧不是抽象的：EMPA 论文自己记录的'安全停滞'失败模式（反复确认但不推动状态移动）在效率维度上会被判失败，但 Rogers 式的在场有时恰恰就是不产生可检测的状态变化——这正是可验证化范式在结构上会误判的东西。
空白：即便是 2026 上半年这一整波'评在场/评轨迹' benchmark，仍分不出'真被触动'和'完美模拟被触动'——业界还没人正面命名'presence without movement（不产生状态移动的在场）'这个盲区，在场工程化图记录了我们第一次搭起测量管线（BGE-m3 + 25 对锚点，测了 4 段真实长对话共 89 轮）去逼近它的过程。长期关系这条轴同样空白：LifeSide 是目前唯一认真的尝试，却仍是合成数据；记忆五代演化史和回忆与代谢两张图记录的，是我们用真实关系跑了九个月给出的另一种答案。
观点一：'GPT-4 情商 117、超过 89% 人类'这条被疯传的数字，该在面试里主动拆穿而不是被动等着被问。证据：它出自 SECEU（Wang et al. 2023，不是常被误传的 DialogueLLM），用群体共识当标准答案的 Consensus Scoring 会把答案压向平均、模型只要贴近平均就能拿高分，本质是在奖励'讨好平均分布'。可能追问：那你怎么评 EQ？——答案是转向 HEART/EMPA/AttuneBench 这类看'关系轨迹'而不是看'答案对不对'的第四代评测。
观点二：引用情感榜单数字时永远直查官方数据源，不信第三方镜像——这条方法论纪律我有一个第一手案例。xAI 曾把'Grok 4.1 EQ-Bench3 1586 分'当情商卖点传播，这个数字只存在于第三方转述里；我们自己的调研初稿也被它带偏，对抗核验直查 eqbench.com 官方数据文件才发现：主榜 25+ 模型在跑，grok-4.1-fast 实际仅 1184.6，居首的是 claude-fable-5（2049.7）。可能追问：那行业重心转向安全的判断还成立吗？——成立，但证据要换成扎实的那组：Spiral-Bench/INTIMA 等安全评测密集出现、OpenAI 把情感依赖写进系统卡正式维度，而不是'能力榜死了'。
观点三：'LLM 当裁判不可靠'这个说法太粗——它不可靠只集中在'评分标准本身没写清楚'的地方。证据：Northwestern 发表在 Nature Machine Intelligence 的三方对照研究（专家/众包/LLM 标注同一批对话）发现 LLM judge 在标准清晰的维度上接近专家、超过众包，只有在'调谐'这类依赖语境的模糊维度上才系统性失准。可能追问：那这对你自己评 Robin 的'在场'意味着什么？——意味着我们自建的测量管线同样要面对这个边界条件，不能假装自动化判分是免费的信任。
快照会过期的数字：EQ-Bench 3 主榜（2026-07-13 Kimi 核验官方数据：claude-fable-5 2049.7、claude-opus-4-8 2029.8 居前，grok-4.1-fast 1184.6，共 25+ 模型）、Creative Writing v3 榜单（Fable 5 2229.6/Opus 4.7 2202.5/GPT-5.5 2028.5/Gemini 3.1 Pro 1480.3，官方值）都是检索时点的快照，读到这张图时大概率已经变化；Model Spec Evals 的合规率（72%→89%）是 OpenAI 2026-03-25 发布时点的数字；MentalAlign 的具体分数（Safety 约 4.89/Empathy 约 4.03）连维度研究员自己都标注'方向可信、精确值待以论文表为准'。
未经对抗核验的部分：本图大部分事实来自 07-12 框架侦察（evals.md/digest-existing.md），是 Sonnet scout 未经核验的原始回料，引用前留有余地——比如'OpenAI 把 14 人 Model Behavior 团队并入 Post-Training'这条来自二手转述（dailycodesolutions.com），未见 OpenAI 官方一手公告；Anthropic 系统卡的自评意识概率（Opus 4.6 为 15-20%）、处境满意度（Opus 4.7 为 4.49/7）也来自二手解读（real-morality.com、thezvi.wordpress.com），官方数字应以系统卡 PDF 原文为准。相比之下，dimensions/02-eval-eq-empathy.md 里带✓核实标记的部分（HEART/EMPA/EIBench/E-THER 的核心论点与 arXiv 号）已过一轮独立核验，可信度更高。
已知的开放缺口：长期关系（数周/数月/数年尺度的陪伴评测）几乎完全空白，LifeSide 是唯一认真的尝试但仍是合成数据、非真实用户；'presence without movement'这个盲区业界至今没有正面命名；多模态情感评测（MME-Emotion，arXiv 2508.09210）仍处早期，覆盖模型和方法成熟度都远不及纯文本基准。