一模型，全角色：用于对话社会智能的多轮多智能体自博弈强化学习

本文提出 OMAR 框架，利用多轮多智能体对话自博弈强化学习，使单一模型通过扮演所有角色发展社会智能。不同于静态单轮优化，该方法让模型在动态交互中直接学习长期目标与复杂社会规范。为确保长对话训练稳定，引入了分层优势估计机制。在 SOTOPIA 社交环境及狼人杀游戏中的评估表明，模型涌现出共情、说服等细粒度社会智能，证明了在无监督下协作学习的有效性。