2026-10-22
SINUS Milieu-Minds 对照 SINUS 调查的现实检验
200 个 SINUS Milieu-Minds 回答了 24 个关于个人担忧的问题。按 milieu 计算，其回答分布与一项 2,005 人的 SINUS 调查的接近度为 91.7%，而两轮真实调查之间为 96.3%。
研究
Minds Research Lab 关于合成受访者、人物角色条件化 AI、评估方法以及模拟证据边界的实验、基准与技术论文。
总计: 17
2026-09-19
Minds 给超级碗广告的排名和真人一致吗？
100 个经过知识锚定的 Mind 为 USA TODAY Ad Meter 2026 的全部 54 支广告打分。它们的排名与真人评审团高度一致（Spearman 0.85），但打分平均偏高约量表的 4%。
2026-09-05
ANES 2024：合成回答与后续人类回答的对比研究
一项基于 ANES 选前/选后数据的对比测试，针对 300 名匹配受访者的 28 项后续回答展开评估，分别呈现响应格式与受访者背景锚定的不同结果。
2026-09-05
CES 2024：跨多种题型的问卷拟合度研究
一项 CES 对比研究对 300 名匹配受访者在 27 道二元题、序数题及多选题上的表现进行了评估，区分了总体拟合度与个体预测。
2026-09-05
GSS 2024：保留不确定性可提升问卷拟合度
一项目标隔离的 GSS 试点研究，在 360 名受访者和 17 道问题中对比了四种回答条件，将概率引出与画像价值分别进行了评估。
2026-09-05
留出样本访谈：受访者记忆何时发挥作用
基于两个公开访谈语料库，测试精简画像与检索到的早期证据能否提升对 22 名真实受访者后续 66 个回答的保真度。
2026-09-05
PISA 2022：五国合成问卷拟合度评估
一项涵盖五国的 PISA 对比研究评估了 600 名学生及 10 道留出题，呈现加权分布误差，并明确指出了国家与语言层面的局限性。
2026-09-05
PRISM 对齐：测试留出答案中的受访者契合度
一项涵盖 299 人、869 个题项的对比研究，通过盲评裁判与明确的任务边界，评估具备事实背景支撑的 Minds 是否能更好地反映受访者的价值观与底层动机。
2026-09-05
合成受众在何时表现优于通用基础模型
一项留出访谈对比测试表明，在何种情况下，受访者画像和记忆机制能让合成回答优于通用的 GPT、Claude 和 Gemini 提示词。
2026-08-21
Minds 研究方法流水线目录
一份公开指南，全面梳理 Minds 可用的定性与定量研究方法、所需输入、版本化流水线阶段、计算器、产出物及边界限制。
2026-08-14
我们用真实数据测试了合成受众
五个公开调查数据集揭示了合成受众的准确性，从包含 301 个 Mind 的 Z 世代测试到 PISA 国际复现研究，以及锚定在何处发挥作用。
2026-08-14
人工智能能否重现真实的 Z 世代食品调查？Minds 达到 93.99% 的近似度
一项结果盲态验证将来自 301 个持续存在的 Z 世代 Minds 的 903 份回答与已发布的英国 Food Standards Agency 调查分布进行了对比。综合近似度达到 93.99%。
2026-07-26
数据来源
Minds 用于为合成受众提供依据的公共统计、学术与行业来源，以及 grounding 的使用方式。
2026-07-10
Minds PRISM：合成研究背后的 AI 引擎
Minds PRISM 是每个 Mind 底层的推理、推断与源建模引擎。了解它如何为 AI 画像提供依据、构建受众（Audience），以及它的适用边界。
2026-07-03
在信任合成受众之前
一份实用的合成受众验证清单，涵盖受众定义、数据接地、提示词中立性、输出审查、报告撰写以及后续证据。
2026-06-21
走进 Minds：合成研究样本组是如何构建的
了解 Minds 如何创建可复用的 AI 角色组、收集并行合成响应，并融入注重证据的研究工作流中。
2025-10-17
为什么通用 AI 的创意趋于雷同，而角色设定不会
Spark Effect 研究发现，与统一的单智能体基线相比，基于角色设定的 AI 智能体产出的创意作品多样性显著更高。
