在智能手机个人助手的评估中，长时间的个人数据是必不可少的，但获取上下文丰富的评估数据却面临隐私敏感问题。为了解决这一挑战，我们提出了 SenWorld，一个基于物理的、确定性的、事件源驱动的数字双胞胎仿真系统，能够生成带有已知真值的数据。
在 SenWorld 中，虚拟角色在真实地图、天气、节假日和网络数据构建的世界中度过完整的一天；每个可观察信号都在全系统快照中归档；每个评估案例通过指向现有记录的指针来标记，而非后期注释或大型语言模型（LLM）评判。
我们在北京对 16 个虚拟角色进行了评估。生成的数据在类别分布（Jensen–Shannon 散度（JSD）为 0.070）和通信记录的日常节奏（JSD 低于 0.1）上与保留的真实用户基准紧密匹配，尽管生成的记录仍然短于真实记录。
没有脚本化的互动，虚拟角色形成了一个完全互惠的对话子图和差异化的行为谱系。针对 717 个评估案例，生成的数据揭示了生产智能手机助手中的 78 个失败，集中在通话和短消息服务（SMS）记录上，而联系人、日程和闹钟则没有失败。快照指针确认每个失败都是助手端的检索错误，没有涉及 LLM 评判。
总体而言，SenWorld 提供了一条隐私安全、可重现且经过分布检查的评估数据路径，其标签由构造固定。
博主点评： SenWorld 的创新在于其通过数字双胞胎仿真技术，既解决了隐私问题，又提供了可靠的评估数据。这为智能助手的性能优化提供了新的思路，尤其是在数据敏感性日益增加的背景下，具有重要的应用前景。