SenWorld：生成上下文丰富评估数据的数字孪生仿真

智能手机个人助手在纵向个人数据上推理，但评估它们需要正确答案已知、上下文丰富的评估数据，而真实设备轨迹因隐私敏感无法共享。为应对该挑战，我们提出SenWorld：一个物理落地、确定性、事件溯源的数字孪生仿真，生成真值由构造固定的此类数据。在SenWorld中，人设在一个由真实地图、天气、假日与网络数据构成的世界里度过完整一天；每个可观察信号都被存档进全系统快照；每个评估案例由指向既有记录的指针标注，而非事后标注或大语言模型（LLM）裁判。我们在北京以16个人设评估该方法：生成数据在类别分布（Jensen–Shannon散度0.070）与通讯记录的日内节律（JSD低于0.1）上紧贴留出的真实用户基准，尽管生成记录仍比真实记录短。在没有脚本化交互的情况下，人设形成完全互惠的对话子图与差异化的行为库。投射为717个评估案例后，生成数据在一个生产智能手机助手中暴露78次失败，集中在通话与短信记录，而联系人、日程与闹钟从不失败；快照指针把每次失败确认为助手侧的检索错误，全程无LLM裁判参与。总体上，SenWorld为真值由构造固定的评估数据提供隐私安全、可复现、经分布核验的路径。