随着大模型驱动的对话式AI进入规模化应用阶段，人机交互的“理解深度”成为制约智能助手体验升级的核心瓶颈——传统对话数据集仅能捕捉用户输入的表层文本信息，无法还原用户未表达的潜在动机、偏好变化等认知动态，也导致大量模型对齐工作难以贴合用户真实需求。在此背景下，约翰斯·霍普金斯大学联合麻省理工学院、谷歌研究院共同研发的ThoughtTrace数据集于2026年5月20日正式在arXiv首发，作为全球首个大规模用户思维标注数据集，其核心目标正是揭示人机对话过程中用户的隐性认知规律。
据介绍，ThoughtTrace数据集覆盖了1058名用户通过20种不同语言模型开展的2155次多轮对话交互，累计包含17058个交互轮次与10174条官方标注的用户思维数据，所有数据均来源于真实开放任务场景下的用户自报告，样本代表性与场景真实性均处于行业较高水平。其构建过程采用了创新的同步标注机制：在不干扰用户自然对话流程的前提下，引导用户实时标注发送每一条消息的核心动机、对模型助手回复的即时反应，同时还同步收集了对话结束后的用户任务完成描述、个人人口统计属性等附加信息，形成了从表层交互到深层认知的完整数据链路。
该数据集主要面向用户建模、大模型对齐、AI交互效果评估三大核心应用领域，从根源上解决了传统对话数据无法捕捉用户潜在意图与认知过程的行业痛点。从潜在应用场景来看，依托ThoughtTrace的标注数据，研究人员可探索更精准的用户认知建模算法，帮助智能助手预判用户未明确表达的深层需求，减少“答非所问”的情况；在大模型人机对齐环节，真实用户的思维标注可替代部分外部标注员的主观判断，让RLHF（人类反馈强化学习）的对齐效果更贴近普通用户的真实预期；此外，该数据集覆盖多类语言模型、多场景交互样本，也可为不同品类对话式AI的效果评测、跨模型泛化能力验证提供标准化的数据集支撑，为最终构建更懂用户内在目标与偏好的下一代智能交互系统提供核心数据基础。当前，随着AI训练数据的需求从“规模化”向“垂直化、高精度”迭代，认知类标注数据集已成为数据要素市场的稀缺资源，ThoughtTrace的发布也将为对话式AI的体验升级、人机交互范式的迭代提供重要的底层支撑。
详情页内容：
_1769672084863.jpg)