麻省理工学院等机构研究者提出 HugAgent 基准，用 54 名真实参与者的访谈数据，评测大模型能否扮演某个具体的人——不仅复述其当前立场，还要预测他在此前未回答过的新情境下会如何作答，议题涵盖全民医疗、公共监控与住房增密，共 1,742 个评测项，相关论文入选 EMNLP 2026 Main Oral。结果显示，模型推断当前信念的最佳准确率为 77.56%（GPT-4o 为 74.66%，参与者两周后重测的自我一致性为 84.84%）；但在「信念动态更新」任务上最佳成绩仅 68.61%（Claude Sonnet 4.5），LLaMA 3.3 70B 为 67.57%，GPT-4o 为 63.11%，对应的人类经验上限为 85.66%。研究还发现，个人访谈本身能显著提升预测（GPT-4o 从 39.83% 升至 63.11%），但访谈轮数与材料继续增加并不会稳定改善对新情境的预测。