享受你的对话：一个以人为中心的多轮对话基准，具有解耦的用户模拟、目标建模和评判

评估大型语言模型（LLM）作为多轮对话伙伴，需要探测单轮基准测试所缺失的能力：人物一致性、不断演变的意图跟踪、情感动态和目标完成。我们引入了 EYT-Bench，一个以人为中心的基准测试，围绕三方解耦设计构建：一个基于人物角色的用户模拟器，一个将意图感知与响应生成分离的目标模型，以及一个独立的第三方 LLM 评判器，可选择多评判器集成。人物角色是从公开的、人工策划的语料库 Nemotron-Personas-USA 和 PersonaMem-v2 中采样，而非合成，从而减少了 LLM 引发的人物偏见。EYT-Bench 还引入了两个轨迹级指标：基于嵌入的意图漂移和最终意图完成率（FICR），其灵感来自 tau-bench。在 17 个目标 x 200 个对话的评估中，EYT-Bench 揭示了四个发现：（i）最先进的闭源和开源模型在主观维度（同理心/人物/拟人化在 <= 0.3 范围内变化）上统计上接近，但在客观意图跟踪上差异高达 9 倍；（ii）推理（“思考”）显著改善了长上下文人物角色上的客观跟踪（Gemma-4 上的潜在意图准确率 +0.47-0.50），而主观分数几乎不变；（iii）人物角色格式主导了轨迹分布，FICR 在 Nemotron-USA 上饱和于 0.95 以上，但在 PersonaMem-v2 上从 0.53 分布到 0.88；（iv）预热效应在 16/17 个模型上是稳健的（一个异常值 GPT-5.5 逆转了该效应），在 alpha 在 [0.05, 0.15] 范围内排名稳定。使用 deepseek-v4-pro 进行的跨评判器消融实验证实，目标排名和最终意图满意度在不同评判器间得以保留。