HER：面向大语言模型角色扮演的人类式推理与强化学习

大语言模型角色扮演在陪伴、内容创作等应用中至关重要，但模拟行为背后的内在思维仍是挑战。现有研究缺乏高质量推理轨迹数据及符合人类偏好的奖励信号。本文提出 HER 框架，引入区分角色第一人称与模型第三人称的双层思维机制。通过逆向工程构建推理增强数据，并设计人类对齐原则与奖励模型，基于 Qwen3-32B 利用监督学习与强化学习进行训练。实验表明，该模型在 CoSER 和 Minimax 基准上显著优于基线，有效提升了认知级角色模拟能力。