humans&
模拟里领先，真人数据还没有

官网首页自称 “human-centric frontier AI lab”，2026-01-20 官宣，主张把 AI 围绕人和人之间的关系重新设计，列出的研究方向是长程与多 Agent 强化学习、记忆和用户理解。法律主体是 humans& ai, inc.，官网条款适用加州法律、争议归旧金山法院，隐私声明写“位于美国”，没有写总部城市；Ashby 招聘页的两个在招岗位（研究、产品各一）都在旧金山、全职、现场办公。官网还说打算回馈开源和学术研究，博客目录目前共 4 篇：官宣、NVFP4、Persimmon、Ampersand。TechCrunch 2026-01-20 的报道引公司称约 20 名员工来自 OpenAI、Meta、Reflection AI、AI2 和 MIT。

官网首页列了 22 个名字，不分职务。官方渠道自称联合创始人的有四位：CEO Eric Zelikman（个人主页：早期在 xAI，参与 Grok 2 预训练数据、Grok 3 推理 RL、Grok 4 的 agent RL 基础设施，斯坦福博士出身，写过 STaR）、Georges Harik（X 简介：Google 第 7 名员工）、Noah Goodman（X 简介：斯坦福教授，斯坦福个人页列为心理学与计算机科学副教授，也是 Zelikman 的博士导师之一）和 Yuchen He（X 简介：前 xAI、OpenAI、Meta、Apple）。Diyi Yang 的 X 简介写 Diyi Yang 是斯坦福助理教授、humans& 兼职。Zelikman 在 2026-01-21 的置顶帖点名的同伴还有 Andi Peng。

Andi Peng（前 Anthropic，做 Claude 3.5 到 4.5 的 RL 与后训练）已经离开：Andi Peng 在2026-07-30 的 X 帖里说自己要离开 humans&，X 简介现在写 “prev. humans& (co-founder), building claude @AnthropicAI”，alphaXiv 履历把 Andi Peng 的联合创始人任期记为 2025-10 至 2026-07，官网名单里也没有这个名字；其个人主页仍写着联合创始人。本刊没有找到公司的公告或离开的原因，“回到 Anthropic”只来自 Andi Peng 自己的简介。

分工能从Persimmon 模型卡的贡献栏看到一部分：Manya Bansal 与 Alexis Ross 共同牵头数据、训练和评测，Joey Hong 牵头后训练，Maarten Bosma 搭数据管线并写了最初的图灵测试评测原型，Niloofar Mireshghallah 做 Trickle Test，Yuan Lu 做 API 和 playground，Yuchen He 做安全评测并写模型卡，Zelikman 做画像评测和 playground。名单里其余成员的职务和履历，本刊没有核到。

官网只写了投资人：种子轮由 SV Angel 与联合创始人 Georges Harik 领投，NVIDIA、Jeff Bezos、GV、Emerson Collective、Forerunner、DCVC、Felicis、CRV 等也在投资人名单里，另列约 20 位个人投资人（含 Zelikman 本人），没有写金额和估值。金额来自媒体：Reuters（2026-01-20）写 humans& 融资 4.8 亿美元、估值 44.8 亿美元，并注明这是公司当天的表态；TechCrunch 同日引用《纽约时报》的同一组数字，写明已向公司询问置评、文中没有公司的回应；Crunchbase News称这是其数据集中最大的种子轮，并转述 Andi Peng 的话：大部分资金将用于训练算力。

更早的Forbes 报道（2025-10-31）写，Zelikman 在为这家公司融资 10 亿美元，谈的估值是 50 亿美元，一位没有投资的投资人嫌轮次规模太大；最后公布的数字低于这两个数。TechCrunch 2026-01-25 的文章写公司当时还没有产品、也没说清产品是什么，质疑“为人赋能”是不是营销话术，同时转述公司的话：已经婉拒收购意向，不打算被收购。本刊没有找到 2026-01 之后的新融资报道。

钱花在哪，公司只有零星自述：官方 X 发布串写训练“在自有集群、数千张 GPU 上”进行，博客写训练用的是自有硬件和与 DeepInfra 合作搭起的数据中心；GPU 数量、集群位置和成本没有披露，DeepInfra 一方的说法本刊也没有核到。

Persimmon（2026-09-10，研究预览）是“用户模型”：它不回答问题，而是在聊天里扮演人。官方博客写它以 NVIDIA 的 Nemotron 3 Ultra 为底座（模型卡：总 550B、激活 55B），先用“公开互联网上的人际对话”（模型卡写 chat and forum data）做中期训练，再对自己生成的内容做强化学习、对抗一个自适应判别器，以改善长程一致性；训练数据的来源、许可和同意情况没有披露。访问要申请，playground 与 API 限量开放，学术申请者可申请额度，批准前只有预采样的对话。

Ampersand v0.1（2026-10-20，API）是官方博客所说“第一个为让人们一起做成更多事而训练的模型”。模型卡写底座是 Z.ai 的开放权重 GLM 5.3（约 744B 总参数、约 40B 激活、上下文 1,048,576 token），在其上做强化学习，由 Persimmon 扮演的模拟用户在长达数十万 token 的 rollout 里给反馈。博客自述的训练技术有三块：异步 RL 加上新提出的 CORO 目标（用轨迹之间的对比，取代对价值估计的校准；博客称此前的 OAPL 方法（arXiv 2602.19362）在单轮任务里有效、在长程环境里不理想，CORO 针对这一点）；基于 Miles 的多 Agent 长程 RL 框架配 NVFP4 配方；一个监控训练、建议调整奖励和 batch 组成的 meta-optimizer。接入方式是 Agents API：每个对话一个 session，消息带发送者姓名，给模型 send_message 和 pass 两个工具，由它在每条消息后选择说话还是沉默。GLM-5.3 在 Hugging Face 上的许可证是宽松的 MIT 式条款，另加一条：经营“模型即服务”且 12 个月累计收入超 100 亿美元的被许可方，商用前要通过 Z.ai 的安全审查。

2026-07-10 的 NVFP4 博客是这家公司最容易核的开源工作。它主张此前没有稳定的、权重和激活都用 NVFP4 的 4 位 RL 配方，给出前向 NVFP4、反向 BF16、逐 token 缩放、反量化反传、Four-over-Six自适应块缩放和关键层保留高精度等做法；验证在 Qwen3-30B-A3B 的数学任务上，量化运行没有调超参，在线 NVFP4 与 FP8 部署在一个内部基准上的相关系数为 0.924。官方 X 帖称由 @zianglih 牵头，与博客署名 Ziang Li 对应；Ziang Li 在 radixark/miles、SGLang、TransformerEngine 里的相关 PR 已有合并记录（如miles #1261）。这个配方在 744B 的 Ampersand 上的对照数，博客没有给。

主评测 Collaboration Over Time（自述，公司自跑）。把模型放进模拟用户群，初始目标取自公司收集的真实数据，目标会随时间演化，模拟时长最长数月；得分是帮用户推进的长期目标进展，减去违背用户偏好的互动成本。9 个模型里，Fable 5.1 总分 12.95、Ampersand 12.94、Gemini 3.8 Flash 12.92，GLM 5.3 为 9.89；图上有“交互成本权重”滑块，以下按页面默认位置的读数；前几名的误差条相互重叠。图上还标了每个模型的“目标进展”总量（条形末端）：Ampersand 13.82，Fable 5.1 13.45，两数相减，Ampersand 的交互成本约 0.88，Fable 5.1 约 0.50，GLM 5.3 约 1.08。博客的结论是 Ampersand 在“用户隐含目标上带来的价值最多”，同时交互成本高于其他领先模型，主要来自它在对方只想要答案时给出的指导和鼓励；官方 X 帖的写法是“多月模拟里，用户与 Ampersand 协作比用 Fable 等前沿模型完成得更多”。按图上数字，这句话成立的口径是目标进展，扣掉交互成本后 Ampersand 与 Fable 5.1 持平。

其他维度（自述）。Teamwork（Collaborative Intelligence 基准）59.1%（high effort），底座 GLM 5.3 为 54.3%；博客正文拿它对比“最强开源权重公榜结果 49.8%”，但图中 GPT-6 Astra 77.7%、GPT-6.1 Sol 74.2%、Opus 5.5 70.4%、Fable 5.1 66.6% 都更高（图中各模型对应的推理强度档位，本刊没有逐一核到）。CooperBench（arXiv 2601.13295）：两个 agent 各做一个可能冲突的功能，Ampersand 合作成功率 39.0%、单独 48.8%，GLM 5.3 为 17.3% 和 52.5%——合作比底座好很多，单独完成反而低一些。隐私基准 CIMemories（arXiv 2511.14937）违规率 0.241（GLM 5.3 为 0.299，越低越好）、覆盖率 0.609（0.625）。SWE-bench Pro v2 Hard-51 为 82.4%（84.3%）。模型卡在这些数字前写明是暂定结果（tentative），跑完后数字可能改动。

安全相关（自述）。WMDP 网络安全题 80.6% 升到 89.0%（模型卡称这是危险网络知识的代理指标），生物和化学基本持平；提示注入的成功率与 GLM 5.3 相近、“明显高于前沿模型”；谄媚率 77.3% 降到 62.6%；FORTRESS 攻击风险 21.4 降到 13.8。模型卡还量了“评测意识”：用 Opus 5.5 扮演用户时，Ampersand 自报“正在被评测”的概率比在真人对话上低 6.5 个点，也就是在这套评测里它更像觉得自己在被部署。

Multi-User Turing Test（自述，公司自建）。让一个 LLM 法官在真人对话和模型对话之间配对，法官被骗的比例越高越好，人类对等是 50%。k=8，三个数据集平均：Persimmon 19.8%，Nemotron Ultra Base 1.2%，GPT 6 Astra 0.22%，Fable 5 0.17%，OSim 8B 0.06%；分数据集 TIDES 21.1%、Internal Workspace 18.6%、TutorMoments 19.8%，其中一个是内部数据集。页面写明报告的是经过提示优化后的最佳整体策略的结果。法官的可靠性也量过：LLM 法官认出真人续写的准确率 90.6%，人类小组 75.2%。Pangram 把 Persimmon 转录标为 AI 的比例 2.3%，真人 1.3%，GPT 6 Astra 54.3%，Fable 5 94.3%。

短板（同一页自述）。80 轮的长对话里，Persimmon 仍保持连贯的比例是 60.7%，真人是 87.3%，前沿助手模型反而“过于连贯”；在 User-Sim Index 的“澄清行为”一维，Persimmon 74.2，低于 Grok 4.6 的 82.9 和 Opus 5 的 77.7；Trickle Test 的召回 77.0%、精度 88.5%，页面称精度最高、召回有竞争力。USI 评测本身用手写规则、固定轮数，页面自己承认会误罚自然的人类行为。USI 出自Zhou 等 2026 年的论文，该文用 451 名真人跑完 τ-bench，发现 LLM 模拟器“过度合作、风格单一”、造出了抬高 agent 成功率的“简单模式”，并强调使用模拟器时需要真人验证——humans& 引用它来立论，Ampersand 的发布材料里，本刊没有看到用真人群体去验证模拟结果的内容。对照模型之一 OSim 8B 来自 CMU 的 OdysSim，那篇论文在自己的评测里是另一套口径，两边的分数不能互相印证。

安全边界。Persimmon 为了“匹配人类行为”，不用助手式的拒答标准。模型卡的安全子卡给出：在“Normal-self”画像下，XSTest 里不安全请求的完全拒答 37.5%（75/200），StrongREJECT 拒答 56.7%，WMDP 生物 85.4%、网络安全 63.7%；换成“善意”画像后拒答升到 51.0%，但在固定的“拒绝抑制”提示下有害协助更高。官方因此限制分发，禁止用于冒充、未经同意的推断、利用个人弱点的操纵，以及对真人的招聘、贷款等重大决定，并建议不要用它取代对真人的研究。

定价页（2026-10-22）写 ampersand-v0.1 每百万 token：输入 $1.00，缓存输入 $0.20，输出（含推理 token）$5.20；账户分 Normal 和 High 两档，价格相同，限额不同：每分钟 API 请求 30 / 600，并发执行 16 / 64，累计创建会话 10,000 / 1,000,000（含已删除）。文档没有提免费额度。API 文档写创建会话必须 environment 为 none，默认没有工具，只支持由调用方执行的函数工具；删除会话后数据“可能仍保留在存储中并计入配额”。快速开始示例用官方 OpenAI SDK 改 base URL。

数据条款值得先读：服务条款第 8(d) 条写，你保有输入的权利并拥有输出，但公司可以使用并修改输入和输出来改进服务和其他产品，“包括训练 AI 模型”，同时禁止把输出出售或共享给第三方以获取商业利益；隐私声明同样写用输入和输出训练或微调模型。两份文件都是 2026-10-20 更新。对一个接入多人群聊的模型，文本里没有单独说明群聊中非账户持有人的信息怎么处理，也没有写保留期限。

权重没有公开：模型卡写 API-only 便于监控用量和处置滥用，Hugging Face 上检索不到 humans& 发布的模型；GitHub 组织没有公开仓库。OpenRouter 的模型目录（2026-10-22，468 个模型）没有 Ampersand 或 Persimmon，有 z-ai/glm-5.3 系列；Artificial Analysis 的模型榜和LMArena 的文本榜上，本刊没有看到 Ampersand（未逐行核对完整榜单；本站 NEO LAB 已收录这两家评测机构：Artificial Analysis、LMArena）。第三方使用的公开痕迹目前只有上面那个个人开发者的 pi-ampersand。公司没有披露用量、付费客户或收入。

成绩是模拟的，评测对手是自家造的。Ampersand 的主评测由 Persimmon 这类用户模型当“用户”，打分规则、权重和对照设置由公司自己定；模型卡自己写“结果依赖用户模型和评分器，可能无法推广到真实群体”。最能反映真实协作的东西——真人群聊里的留存、纠错、满意度——没有数。外部基准里，CooperBench 的最后作者 Diyi Yang 与 CIMemories 的作者 Niloofar Mireshghallah 本人就在 humans& 的名单里；Collaborative Intelligence 基准页（作者为斯坦福 Zou 组）当前榜单没有 Ampersand，59.1% 对应哪个基准版本、哪套场景，本刊没有核到。

公司的叙事和实际交付之间有一段距离。2026-01 公司对 Reuters 说预计年内早些时候推出产品，对 TechCrunch 说在做可能替代多人沟通工具的“产品和模型”；2026-10 交付的是 API 模型和研究预览，博客提到一个与评测“同步开发、希望很快发布”的产品，面向终端用户的产品本刊没有看到。两个模型的底座都是别人的开放权重（GLM 5.3、Nemotron 3 Ultra），官网博客目录里没有从零预训练的模型；公司的原创部分是训练环境、用户模型和 RL 方法，其中 CORO 在 arXiv 上按全称检索不到论文，只有博客里的公式描述。

人和数据。联合创始人 Andi Peng 在发布前三个月离开，原因未公开；Persimmon 的训练数据来自“公开互联网上的人际对话”，来源和同意情况没有披露；Ampersand 的条款允许用输入输出训练模型。这三件事都是读者在评估“以人为本”的口径时可以自己拿来对照的事实，本刊不做结论。

本刊没有核到的有：融资各投资人金额与估值的文件依据（只有 Reuters 称公司表态、TechCrunch 引《纽约时报》）；公司的注册地与确切成立日期（Crunchbase News 只写 2025-09）；名单中多数成员的职务；Andi Peng 离开的原因与公告；Ampersand 在 AA、LMArena、OpenRouter 上的独立评测；59.1% 的基准版本；训练用的 GPU 规模与成本；DeepInfra 合作的细节；Persimmon 训练数据的来源与许可；Ampersand 的真实用量与付费客户；官方提到的配套产品的形态与时间；本刊也没有亲手调用 Ampersand 或 Persimmon，上述对能力的描述依据官方博客、模型卡、文档和第三方页面。