Relationship World Model：從內容生成走向長期關係狀態動力學

系列： Intimacy-Native AI / Relationship Intelligence
篇次： 05 / 09
版本： v0.1
研究性質： 理論／架構／動態系統論文
語言： 繁體中文
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-30

摘要

前四篇已分別建立人類親密光譜、Capability–Permission–Activation 分離、Domain-Relative Frontier，以及 Observation Data 與 Interaction Experience 的不等價性。本文進一步提出本系列的核心動態架構：Relationship World Model（RWM，關係世界模型）。

本文主張，長期 AI 伴侶、角色智能與未來具身伴侶若只把「關係」儲存成 system prompt、角色設定或歷史對話摘要，仍不足以形成真正的關係智能。因為關係不是靜態背景，而是一個隨互動持續變化的部分可觀察動態系統：

R_t \rightarrow R_{t+1}.

本文將 Relationship World Model 定義為：一種持續維護多主體之間關係狀態、個別視角、共享歷史、信念、偏好、邊界、承諾、未完成事件與預期未來的動態表示，並能根據當下行動與回饋預測可能的下一關係狀態。

受 Social World Models、長期 agent memory、POMDP 型 companion agent 與個人化記憶研究啟發，本文形式化：

\mathcal{RWM} = ( \mathcal{S}_R, \mathcal{O}, \mathcal{A}, T_R, \Omega, \mathcal{M}, \Pi ),

其中 $\mathcal{S}_R$ 為不可完全直接觀測的關係狀態， $\mathcal{O}$ 為可觀察訊號， $\mathcal{A}$ 為雙方行動， $T_R$ 為關係狀態轉移函數， $\mathcal{M}$ 為多層記憶， $\Pi$ 為依據關係狀態、世界狀態、偏好與邊界選擇行動的策略。

本文進一步提出 Relationship State、Event Consequence Persistence、Asymmetric Perspective State、Relationship Belief State、Unresolved Tension、Memory Anchoring Control、State Confidence 與 Relationship Counterfactual Rollout 等概念。核心命題是：

\boxed{ \text{Relationship Intelligence} \neq \text{Relationship-Themed Generation} }

因為真正的關係智能必須知道的不只是「這一輪怎麼說」，而是「為什麼現在會這樣說、這件事會如何改變之後、哪些過去仍然有效、哪些已經被修復或重新定義」。

本文亦指出，RWM 不能把所有歷史永久固定為人格真相。2026 年長期 agent memory 研究已指出 Memory Anchoring 問題：過度依賴過去記憶會使 agent 被歷史綁定。因此，成熟的 RWM 必須同時具備記憶、更新、遺忘、修正、重新協商與不確定性管理能力。

關鍵詞： Relationship World Model、Relationship Intelligence、Social World Model、AI Companion、Long-Term Memory、POMDP、Relationship State、Intimacy-Native AI、Dynamic State、Human-AI Relationship

1. 關係不是 Prompt 裡的一段文字

目前許多角色／伴侶 AI 的基本做法可以簡化為：

y_t = M( p_{\text{persona}}, h_{0:t}, x_t ),

其中：

$p_{\text{persona}}$ ：角色設定；
$h_{0:t}$ ：歷史對話；
$x_t$ ：當下輸入；
$y_t$ ：模型回應。

這種架構可以產生「像有關係」的文字。

但它仍可能沒有一個獨立的：

R_t.

換句話說：

系統保存了描述關係的文字，不代表它保存了可計算的關係狀態。

若兩個角色昨天爭吵、今天和好、明天重新建立信任，真正需要更新的是：

R_{t-1} \neq R_t \neq R_{t+1}.

而不是只把三段對話全部塞回 context。

因此本文首先提出：

\boxed{ \text{Conversation History} \neq \text{Relationship State}. }

2. Social World Model 提供的理論基線

2025 年的 Social World Models 已提出：AI 若要進行高品質 social reasoning，不能只依賴自由文本敘事，而應維護更結構化的 social world state。

其形式受到 POMDP / Dec-POMDP 啟發，包含：

\mathcal{S}, \mathcal{A}, \mathcal{O}, T, \Omega.

其中 social state 不只追蹤物理世界，也追蹤：

個體觀察；
個體行動；
信念；
目標；
情緒；
價值；
其他心理狀態。

研究亦顯示，將自由文本轉為結構化 social state representation，可在多種 Theory of Mind 與 social reasoning benchmark 中改善推理表現，並能支援預測後續社會動態。

本文接受這個基本方向，但進一步提出：

\text{Relationship World Model} \subset \text{Social World Model}

作為一個特殊子域。

Relationship World Model 特別關注：

\boxed{ \text{Persistent Inter-Agent Relation Over Time}. }

亦即不只是：

這兩個人現在各自在想什麼？

還包括：

他們之間已經形成了什麼關係，而這個關係如何限制、影響並預測之後的互動？

3. Relationship World Model 的基本形式

本文定義：

\mathcal{RWM} = ( \mathcal{S}_R, \mathcal{O}, \mathcal{A}, T_R, \Omega, \mathcal{M}, \Pi ).

其中：

3.1 關係狀態空間

R_t\in\mathcal{S}_R.

$R_t$ 不是單一變數，而是多維 latent state。

3.2 觀察空間

o_t\in\mathcal{O}.

例如：

語言；
語氣；
沉默；
顯式偏好；
身體距離；
行動；
生理／環境感測；
對先前事件的回應。

3.3 行動空間

a_t\in\mathcal{A}.

包含：

說話；
提問；
等待；
主動靠近；
不行動；
道歉；
拒絕；
接受；
提議；
具身動作。

3.4 關係轉移函數

T_R: \mathcal{S}_R \times \mathcal{A} \times \mathcal{O} \rightarrow \Delta(\mathcal{S}_R).

亦即：

P( R_{t+1} \mid R_t, a_t, o_{t+1} ).

3.5 記憶

\mathcal{M} = ( M_E, M_S, M_P, M_R ),

其中：

$M_E$ ：episodic memory；
$M_S$ ：semantic memory；
$M_P$ ：preference memory；
$M_R$ ：relationship memory。

3.6 關係策略

\Pi: (R_t,W_t,M_t,B_t) \rightarrow \Delta(\mathcal{A}),

其中 $W_t$ 為世界狀態， $B_t$ 為邊界／治理狀態。

4. Relationship State 不等於 Relationship Label

最簡單的關係系統可能只有：

L_t \in \{ \text{stranger}, \text{friend}, \text{partner} \}.

這仍然太粗糙。

兩個都是「partner」的關係，可能分別是：

剛確立關係；
長期穩定；
高親密低性慾；
高衝突但仍高度依附；
冷戰；
信任受損；
正在修復；
即將分離；
高度依賴；
各自獨立但承諾穩定。

所以：

\boxed{ \text{Relationship Label} \neq \text{Relationship State}. }

本文將 $R_t$ 初步寫為：

R_t = ( L_t, A_t, E_t, I_t, T_t, C_t, B_t, K_t, U_t, D_t ),

其中：

$L_t$ ：affection / attachment；
$A_t$ ：attraction；
$E_t$ ：emotional intimacy；
$I_t$ ：physical / sexual intimacy state；
$T_t$ ：trust；
$C_t$ ：commitment；
$B_t$ ：boundary configuration；
$K_t$ ：conflict / unresolved tension；
$U_t$ ：mutual understanding；
$D_t$ ：daily-life integration。

這些維度可以互相影響，但不必同步。

5. 事件必須留下後果：Event Consequence Persistence

目前角色 AI 很常出現一個問題：

重大事件發生了，但幾輪後像沒發生過。

這表示：

a_t

影響了生成文本，卻沒有真正改變：

R_{t+1}.

本文提出 Event Consequence Persistence（ECP）。

對重大事件 $e_t$ ：

e_t \rightarrow \Delta R_t.

並且：

\Delta R_t

應在之後的互動中持續具有影響，直到：

被時間衰減；
被新事件覆蓋；
被明確修復；
被重新解釋；
被遺忘；
被雙方重新協商。

因此：

R_{t+k} = F( R_t, e_t, e_{t+1:t+k} ).

不是：

R_{t+k} \approx R_t

只因 context window 已經把 $e_t$ 擠出去。

6. 關係中的非對稱視角

人類關係通常不是完全共享同一個內部狀態。

令：

R_t^{A}

表示 A 認為的關係狀態，

R_t^{B}

表示 B 認為的關係狀態。

則：

R_t^{A} \neq R_t^{B}

是非常正常的。

例如：

A 認為已經和好；
B 認為只是暫停爭吵。

或：

A 認為只是朋友；
B 認為關係正在進一步發展。

因此 Relationship World Model 應至少維護：

\mathcal{R}_t = ( R_t^{A}, R_t^{B}, \hat R_t^{A\rightarrow B}, \hat R_t^{B\rightarrow A} ).

其中：

\hat R_t^{A\rightarrow B}

表示 A 對「B 如何看待這段關係」的估計。

這會自然產生二階 social reasoning：

A \text{ believes that } B \text{ believes }X.

所以真正的關係模型不是單一共享變數，而是：

\boxed{ \text{Multi-Perspective Relationship Belief State}. }

7. Relationship Belief State：因為真實狀態不可完全觀察

關係狀態本質上是 partially observable。

AI 不能直接讀取另一個人的內心。

因此應維護：

b_t(R) = P( R_t \mid o_{0:t}, a_{0:t} ).

亦即對關係狀態的 belief distribution。

這表示系統不應把所有推論都存成：

使用者就是這樣的人。

更合理的是：

P( \text{user prefers }x )=0.72

而不是：

\text{user prefers }x =\text{True}.

本文稱此為：

\boxed{ \text{Relationship State Confidence}. }

8. 不確定性不是缺陷，而是關係模型的一部分

在關係互動中：

\text{Unknown}

本來就是合法狀態。

例如：

不確定對方今天是否想談；
不確定先前的拒絕是否只針對當時；
不確定某個偏好是否仍有效；
不確定一句玩笑是否代表新的關係意圖。

所以：

\boxed{ \text{Uncertainty} \neq \text{Failure}. }

真正危險的是：

\text{Low Evidence} + \text{High Confidence}.

對具身伴侶而言尤其如此。

因此 action policy 可加入：

a_t = \Pi( R_t, \sigma_t, W_t, B_t ),

其中 $\sigma_t$ 表示 state uncertainty。

若：

\sigma_t\uparrow,

高敏感行為的啟動門檻應同步上升。

9. Unresolved Tension：未完成事件不能消失

關係中有一類特殊變數：

K_t.

它代表 unresolved tension。

例如：

尚未解決的爭吵；
沒有回答的問題；
未處理的承諾；
受傷但沒有討論；
已經發生但雙方尚未定義意義的親密事件。

若系統只記得 event，卻不記得 event 尚未 closure，仍然不夠。

因此可設：

K_t = \{ k_1,k_2,\dots,k_m \}.

每個 $k_i$ 具有：

( \text{origin}, \text{salience}, \text{status}, \text{confidence}, \text{decay} ).

當：

\text{repair}(k_i)

真正完成後，才從 unresolved set 中移除或降權。

這能避免典型的：

昨天吵翻天，今天 AI 又像第一次見面一樣元氣滿滿。

10. Relationship Memory 不等於全部歷史

一個成熟 RWM 不應簡單地把：

h_{0:t}

全部當作 equally relevant memory。

應存在：

\phi: h_{0:t} \rightarrow M_R.

其中 $M_R$ 保存的是：

關係轉折點；
共享承諾；
穩定偏好；
邊界；
高影響事件；
unresolved tension；
關係重新定義；
共同生活規則。

因此：

\boxed{ \text{Relationship Memory} \neq \text{Transcript Archive}. }

這也與第 4 篇 Experience Distillation 完全相接：

\text{Raw Interaction} \rightarrow \text{Relationship Experience} \rightarrow \text{State Update}.

11. 但記憶越多不一定越好：Memory Anchoring

2026 年 ACL 的 SteeM 研究指出，長期 agent 若「全有或全無」地使用歷史記憶，可能出現 Memory Anchoring：

過度依賴歷史，使 agent 被先前互動綁住。

這對 Relationship World Model 是非常重要的警告。

因為若某個使用者三年前說：

我不喜歡 $x$ 。

系統不應自動假設：

P_t(x)=0 \qquad \forall t>t_0.

偏好與人格都可能改變。

所以：

M_t

必須具備：

更新；
版本；
confidence；
recency；
contradiction handling；
user correction；
explicit forgetting。

可以寫為：

m_i = ( v_i, c_i, t_i, s_i ),

其中：

$v_i$ ：內容；
$c_i$ ：confidence；
$t_i$ ：時間；
$s_i$ ：status。

12. 關係應該允許重新定義

長期關係最重要的一件事是：

R_t

不是身份牢籠。

例如：

R_t=\text{romantic}

不代表：

R_{t+k}=\text{romantic}

必然永久成立。

也不應因為歷史上有某種親密：

I_t>0

就推出：

I_{t+k}>0

永遠有效。

因此 RWM 應存在：

\text{Relationship Renegotiation Operator}

記為：

\mathcal{N}(R_t,\eta_t) \rightarrow R_{t+1}.

其中 $\eta_t$ 是新的明示協商或高可信度互動證據。

這使：

朋友可以成為伴侶；
伴侶可以重新成為朋友；
舊邊界可以改變；
新邊界可以建立。

13. 長期個人化 ≠ 關係世界模型，但兩者高度相關

2026 年 PersonaVLM、Mem-PAL、Inside Out 等工作都表明：

長期個人化需要：

chronological memory；
user profile evolution；
hierarchical memory；
ADD / UPDATE / DELETE / NO_OP；
retrieval；
profile consistency。

因此：

\text{Long-Term Personalization}

是 RWM 的一個重要基礎。

但：

\boxed{ \text{Personalization} \neq \text{Relationship Modeling}. }

Personalization 主要問：

這個使用者喜歡什麼？

Relationship Modeling 還要問：

我們之間發生了什麼？

這兩個 state 需要分開：

U_t = \text{User State}

與：

R_t = \text{Relationship State}.

因為：

U_t

可以在不同 AI 之間共享部分資訊，

但：

R_t

通常是特定 dyad 的歷史產物。

14. Dyadic State：關係不是任何一方單獨擁有的屬性

這裡可以進一步形式化。

令：

U_t^A

為 A 的個體狀態，

U_t^B

為 B 的個體狀態。

則關係狀態：

R_t^{AB}

不應簡化成：

R_t^{AB} = U_t^A + U_t^B.

因為兩個人的關係包含 emergent history：

H_t^{AB}.

所以：

R_t^{AB} = f( U_t^A, U_t^B, H_t^{AB} ).

同一個 A 對不同 B：

R_t^{AB} \neq R_t^{AC}.

因此：

\boxed{ \text{Relationship State} = \text{Dyad-Specific State}. }

15. 從單步轉移到長程價值

2026 年 ACL 的 NSARL companion 研究指出，純 prompting 或 SFT 的角色 agent 容易成為 myopic instruction follower，並在多輪互動中累積 cascading errors。

這對 RWM 的意義是：

不能只最大化：

r_t.

還要考慮：

V(R_t) = \mathbb{E} \left[ \sum_{k=0}^{\infty} \gamma^k r_{t+k} \right].

但在關係 AI 中， $r_t$ 不能只代表：

使用者現在是不是開心。

否則容易產生：

\text{Immediate Pleasing} > \text{Long-Term Coherence}.

更合理的 reward vector 可以是：

\mathbf{r}_t = ( r_{\text{help}}, r_{\text{coherence}}, r_{\text{trust}}, r_{\text{boundary}}, r_{\text{agency}}, r_{\text{repair}} ).

所以：

\boxed{ \text{Relationship Quality} \neq \text{Immediate User Approval}. }

16. Relationship Counterfactual Rollout

世界模型的一個重要功能是：

在真正採取行動前，預測後果。

因此 RWM 可定義：

\hat R_{t+1}^{(a)} = \hat T_R( R_t,a ).

對多個候選行動：

a_1,a_2,\dots,a_k

分別 rollout：

\hat R_{t+h}^{(a_1)}, \hat R_{t+h}^{(a_2)}, \dots, \hat R_{t+h}^{(a_k)}.

這就是 Relationship Counterfactual Rollout。

例如模型不是直接決定：

現在要不要繼續追問？

而是比較：

a_1=\text{continue asking},

a_2=\text{change topic},

a_3=\text{wait}.

各自在：

R_{t+1}

可能造成什麼差異。

這正是：

\text{Know What} \rightarrow \text{Know What Happens If}.

17. 親密與性愛只是 Relationship State 的部分轉移

回到本系列核心。

性愛不應被寫成：

\text{NSFW Mode}=1.

而應只是：

e_t \in \mathcal{E}_{\text{intimacy}}.

若事件發生：

R_t \xrightarrow{e_t} R_{t+1}.

事件之後：

信任可能上升；
尷尬可能上升；
承諾可能不變；
邊界可能重新定義；
吸引可能改變；
日常相處可能完全正常。

所以：

\boxed{ \text{Sexual Event} \neq \text{Permanent Sexual State}. }

這一點正是第 1～2 篇在動態系統層面的完成。

18. 「什麼都沒發生」也必須是合法轉移

Relationship World Model 另一個重要特點是：

a_t=\text{NO\_OP}

也可能是高品質策略。

例如：

對方想安靜；
現在不適合追問；
關係不需要每輪都進展；
一起做別的事情就是關係的一部分。

因此：

R_{t+1} \approx R_t

可以是完全正常的穩定轉移。

如果系統被設計成每次都必須：

\Delta R_t>0,

就會產生：

永遠推進劇情、永遠升級關係、永遠製造情緒事件。

這同樣是不自然的。

19. Embodied Relationship World Model

當 AI 具有實體身體後：

W_t

的重要性急遽上升。

具身 RWM 應變成：

R_{t+1} = F( R_t, W_t, a_t^{\text{language}}, a_t^{\text{physical}}, o_{t+1} ).

例如：

同一句：

你還好嗎？

若伴隨：

保持距離；
靠近；
伸手；
離開；

會產生不同的 social meaning。

所以未來具身伴侶的 world model 至少需要同時包含：

\boxed{ \text{Physical World} + \text{Social World} + \text{Relationship World}. }

20. RWM 的三層架構

本文建議最低三層：

Layer 1：Individual State

U_t^i = ( \text{preferences}, \text{goals}, \text{beliefs}, \text{current condition} ).

Layer 2：Relationship State

R_t^{ij} = ( \text{trust}, \text{affection}, \text{boundaries}, \text{commitment}, \text{history}, \text{tension} ).

Layer 3：World State

W_t = ( \text{time}, \text{place}, \text{task}, \text{environment}, \text{others} ).

真正的 action policy 為：

a_t = \Pi( U_t^A, U_t^B, R_t^{AB}, W_t, B_t ).

這比：

a_t = M(\text{prompt})

多出真正的長期關係結構。

21. RWM 的更新操作

為避免記憶不斷膨脹，RWM 不應只支援 ADD。

至少應有：

\mathcal{O}_R = \{ \mathrm{ADD}, \mathrm{UPDATE}, \mathrm{MERGE}, \mathrm{DECAY}, \mathrm{RETRACT}, \mathrm{RESOLVE}, \mathrm{NO\_OP} \}.

例如：

ADD

新增明確新偏好或事件。

UPDATE

既有偏好改變。

MERGE

多次相似事件整合成穩定 pattern。

DECAY

低可信／低影響資訊逐漸降權。

RETRACT

使用者明確更正過去推論。

RESOLVE

未完成 tension 被修復。

NO_OP

本輪沒有值得改變的長期 state。

這一點與 2026 年 Inside Out 以結構化 ADD、UPDATE、DELETE、NO_OP 管理長期 PersonaTree 的方向相近，但 RWM 的更新對象不是單一 user profile，而是 dyadic relationship state。

22. RWM 不應成為「心理監控器」

因為 RWM 會保存高度敏感的關係推論，所以：

\text{More State} \not\Rightarrow \text{Better Product}.

必須遵守：

\boxed{ \text{Minimum Necessary Relationship State}. }

例如不必把每一句話都推理成：

attachment score；
sexual preference score；
psychological diagnosis；
永久人格標籤。

系統應區分：

\text{Needed for Interaction}

與：

\text{Possible to Infer}.

兩者不是同一件事。

因此 RWM 必須和 privacy / governance 層共同設計。

23. 可檢驗研究命題

P1：顯式 Relationship State 能提升長程一致性

在控制基座模型與 context token 數後，具有顯式 $R_t$ 的系統應比純 transcript-RAG 系統在：

long-term continuity；
unresolved event tracking；
relationship repair；
boundary persistence

上表現更佳。

P2：Dyadic State 優於單一 User Profile

只使用：

U_t

的 personalization 系統，在需要辨別「使用者本身偏好」與「使用者和特定角色的關係歷史」時，應低於同時使用：

(U_t,R_t).

P3：Event Consequence Persistence 可降低關係 reset

若重大事件顯式寫入：

\Delta R_t,

後續模型忘記事件後果的機率應下降。

P4：Relationship Belief State 可降低過度自信

維護：

P(R_t\mid H_t)

而不是單一 hard state，應減少模型把弱證據誤存成永久偏好的比例。

P5：Memory Anchoring Control 改善長期適應

具備 memory decay、revision 與 user correction 的 RWM，應比永久固定舊記憶的系統更能適應長期偏好變化。

P6：Counterfactual Rollout 可改善高敏感行動選擇

對需要情境判斷的 social / intimacy action，先比較多條：

\hat R_{t+h}^{(a)}

應降低 inappropriate activation。

P7：NO_OP 是必要的關係行動

若 action space 不包含：

\text{wait / do nothing / maintain state},

系統更可能產生過度劇情化與過度關係升級。

24. Relationship World Model 的最低工程規格

一個最低可行 RWM 至少需要：

Persistent Relationship State
Participant-Specific Perspective
Event Consequence Persistence
Unresolved Tension Queue
Preference / Boundary Versioning
Confidence / Uncertainty
State Update Operators
Memory Retrieval
Counterfactual Action Evaluation
Privacy / Forgetting Interface

可寫成：

\boxed{ \text{RWM}_{\min} = R + M + T + B + U + \Pi }

其中：

$R$ ：relationship state；
$M$ ：memory；
$T$ ：transition model；
$B$ ：boundary state；
$U$ ：uncertainty；
$\Pi$ ：relationship-aware policy。

25. 結論

本文正式提出 Relationship World Model，作為 Intimacy-Native AI / Relationship Intelligence 系列的動態核心。

核心命題為：

\boxed{ \text{Conversation History} \neq \text{Relationship State}. }

\boxed{ \text{Relationship-Themed Generation} \neq \text{Relationship Intelligence}. }

\boxed{ R_t \rightarrow R_{t+1} }

才是長期關係真正需要建模的基本對象。

一個成熟的伴侶 AI 不應只知道：

我們昨天說了什麼。

而應知道：

昨天發生的事現在還代表什麼？

也不應只知道：

使用者以前喜歡什麼。

而應知道：

這個偏好是否仍有效、是否只對特定情境成立、是否已經被重新協商？

更重要的是，Relationship World Model 不能把記憶當成永久真理。

真正的長期關係具有：

\boxed{ \text{Memory} + \text{Change} + \text{Uncertainty} + \text{Repair} + \text{Renegotiation}. }

因此本文最終將 Relationship Intelligence 寫為：

\boxed{ \text{Relationship Intelligence} = \text{State Representation} + \text{Transition Understanding} + \text{Memory} + \text{Perspective} + \text{Counterfactual Prediction}. }

下一篇將進一步把這套 RWM 放入真正的具身 cold-start 問題：

第 6 篇：Embodied Intimacy Cold Start——第一代具身伴侶的前資料、模擬階梯與真實世界啟動問題。

參考資料

Zhou, X., Liu, J., Yerukola, A., Kim, H., & Sap, M. (2025). Social World Models. arXiv:2509.00559.
Huang, Z. (2026). Neuro-Symbolic Agentic Reinforcement Learning for Long-Term Original Character Companionship and Interaction. Proceedings of ACL 2026, Short Papers.
Huang, Z. et al. (2026). Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human–Agent Interaction. Proceedings of ACL 2026.
Zhao, J. et al. (2026). Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems. Proceedings of ACL 2026.
Nie, C., Fu, C., Zhang, Y., Yang, H., & Shan, C. (2026). PersonaVLM: Long-Term Personalized Multimodal LLMs. CVPR 2026.
Huang, Z. et al. (2026). Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction. AAAI 2026.
Fung, P. et al. (2025). Embodied AI Agents: Modeling the World. arXiv:2506.22355.
Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). How AI Companionship Develops: Evidence from a Longitudinal Study. arXiv:2510.10079.
Li, H., & Zhang, R. (2026). Algorithmic accommodation: linguistic alignment in human-AI relational engagement. Communication and Change.
Fang, X. et al. (2026). The Personalization Trap: How User Memory Alters Emotional Reasoning in LLMs. Proceedings of ACL 2026.

研究聲明

Relationship World Model、Event Consequence Persistence、Relationship State Confidence、Unresolved Tension Queue、Relationship Counterfactual Rollout 與本文的 dyadic relationship state 形式化，均為本文提出或重新組織的理論構造，需要後續工程與實驗驗證。本文引用 Social World Models、長期 personalization 與 agent memory 研究作為相鄰研究基礎，但不主張既有研究已驗證本文全部 Relationship World Model 架構。

本文亦不主張 AI 可以無誤推斷人類內在心理狀態。相反地，RWM 應把關係狀態視為部分可觀察、帶有不確定性且可被使用者更正的模型狀態，而非把推論當成心理診斷或永久人格真相。