用户模拟器一直是推荐系统的老大难：光判断"下一步会不会点"没用，得看模拟出来的用户能不能扛住长链路，最后还得上线 A/B 才对得上账。10 月 22 日，阿里集团联合莱顿大学、中国人民大学、中科院计算所在 arXiv 放出一篇论文（UserArena 原文），把这件事做成了一张可以公开检验的考卷。
家底：64,729 条真实购物轨迹
论文称数据来自"亚洲某大型电商平台"（平台名未公开），作者单位里明确挂着阿里集团。规模是：11,010 名用户、64,729 条会话轨迹、577,670 个动作、566,102 个商品、6 个用户属性字段，点击覆盖 41 个品类；其中 73,717 次商品点击里服饰占 54.90%，剩下 45.10% 摊在另外 40 个品类上。长链路部分另切出 59,378 条按时间排序的会话，来自 5,768 名用户，人均 10.29 次会话、86.36 个动作。对照组 OPeRA 是 51 人 527 次（人均 1.00 次），USB 是 5,222 人 5,274 次（人均 1.00 次）——这才是"跨会话"该有的量级。
数据本身也不靠爆款撑：67,267 个被点过的商品里 92.0% 只出现一次，最热的前 1% 商品也只占 3.23% 的点击。动作分布同样真实，feed 页下滑占 38.34%，商品点击 12.76%，会话结束 11.21%，加购 3.90%，下单 1.02%。许可写得很死：仅限非商业研究，禁止反识别用户、禁止与外部个人数据关联、禁止未授权再分发；界面截图是离线 React 环境重建的，不含真实用户 GUI 画面。代码与数据在 GitHub 的 RecGPT-Team/UserArena。
五级评测：从"能解析"到"复现线上"
评测分五层：环境合规（L0）、局部行为保真（L1）、序列行为保真（L2）、个性化人群保真（L3）、结果保真（L4）。配套两种跑法：Replay 用录好的状态预测下一动作，看局部准不准；Rollout 让模拟器自己往下跑，看整段轨迹像不像。L0 两种都跑，L1 只在 Replay 下评，L2 到 L4 全在 Rollout 下评。
OPTD：在学生自己的轨迹上蒸馏
论文点了两条老路的毛病：SFT 只学录好的回答，存在训练测试错配；GRPO 给整条回答一个标量奖励，信用分配太粗。OPTD 换了个位置——学生自己 rollout 出来的每一个 token，都拿冻结教师在"轨迹级意图"这个特权上下文下的全词表分布当监督目标；再用逐 token 的信任域（按 KL 预算挑插值系数）把教师拉回"只看得到学生可见状态"的参照附近，另加一项接地损失对齐录好的真实回答，GT 系数 0.1。消融实验里去掉任一组件都会掉分，去掉 SFT 预热掉得最狠。
论文自己测的一组数字：2B 跑赢 GPT-6
论文自己做的生产 A/B 校验最狠：同一对排序策略，分别在模拟器和线上真实 A/B 的对照/实验组里跑，比较 ΔPV-CTR 的"模拟值 ÷ 线上值"。OPTD 是 0.713×（误差 0.287），明显好过第二名 STA 的 0.297×；其余任务型模拟器把线上效果压到 0.020×～0.297×，没微调的 Qwen3.5-2B 只有 0.004×。反方向的是 GPT-6-Sol 的 1.576× 和 GPT-6-Luna 的 2.154×，高估了线上反应。论文由此下的结论是：通用大模型的容量，不等于行为校准能力。
跨会话那张表里，OPTD 在 L1 到 L4 的八个指标中拿了五项第一、两项第二：DM-JSD 0.0284、轨迹长度误差 0.72、人群保真 PF 0.8929、终态 T-JSD 0.0077；macro-F1 和 ΔCTR 是 STA 领先。作者还做了图灵测试式人工评测：200 对真实与模拟轨迹、每对 3 名标注者、来源盲化且打乱顺序，OPTD 的"人类赢率"最低、"模型赢率"最高。
但这张榜单现在是空的
有个细节值得单说：项目页的 leaderboard 写着"暂无已验证的 SOTA 分数，只收录完整的 Replay 与 Rollout 报告，不预估任何分数"。数据集本身也还标着"计划中"，GitHub 仓库只有 3 次提交、3 个 star。想复现，基本得自己动手。
所以呢
这份工作真正的价值，可能不在"又一个 benchmark"，而在于它把"模拟器准不准"这个长期靠感觉的问题，换成了"能不能复现线上 A/B 的效果比"这个可证伪的指标。一旦这么问，2B 的专用小模型压过 GPT-6 就不奇怪了——模拟用户要的是行为分布对齐，不是知识量。而榜单留空、数据待发、非商用许可，也说明它眼下更像一份评测协议，而不是一份拿来就能用的资源。