心智移动的度量：AWEHB 的诞生，以及我们为什么不做人格测试

AI for Inner Explorers.

六个月前，二月某个深夜，五个字母被写进一份配置文件。两周前，它们变成了一个开放权重的 0.6B 模型——上线 Hugging Face 的头十四天里被陌生人下载了 1677 次。这是那两个时刻之间这条线的故事——也是它底下那场争论的故事：我们为什么度量心智的「移动」，而不是给人格「分型」。

三句话的构想

2026 年 2 月 6 日傍晚，创始人写下了一份三句话的构想：建立一个心理语义向量空间；根据一个人说的话识别他在空间里的位置；然后用回应引导他，走向空间中央那片平静的橙色区域。

前两句是表征问题。第三句里藏着一个当时还没有名字的更硬的问题：要「引导」移动，先得能「度量」移动。当晚，答案以五个字母成形：

来访者发来的每一句话都得到五路读数，折算进一个持续的压力状态。第一晚的两个细节后来被证明极其耐用。加权是刻意不对称的——三个维度推高压力，只有两个往下拉，因为几十年的负性偏差研究说：坏事对心理的推力，系统性地大于好事的拉力。而且同一句话，出自谁口分量不同：「随便，你定吧」出自天生的梦想家和出自天生的领导者，不是同一个信号——所以人格象限会修正权重。

养大它的三堂课

**词表听不懂「I want to die」。**第一版打分器朴素得可爱：一张中英双语关键词词表，逐句匹配。真实使用十天后，它遇到了一句不含任何退缩关键词、却是退缩最纯粹形态的话——「I want to die」，得分接近零。一天之内，打分从符号规则换成了语义理解：由云端模型读完整段对话的上下文再产出五路读数，词表降级为应急兜底。请记住这个形状——一套符号规则在活的语言面前失效，被一种学习出来的读法取代。这个形状会在本文结尾以更高一个层级重演。

**五个字母各有学术出身。**后来写技术白皮书时，我们做了一个诚实的交代：AWEHB 不取自任何单一已发表量表，它是一个综合构建——行动力站在自我效能与自我决定论之上，退缩站在行为回避研究之上，极端化站在认知扭曲研究的全有全无思维之上，敌意站在经典敌意量表之上，边界站在人际效能训练之上。维度各有出处，组合是我们自己的。

它找到了自己的职位。随着产品架构长成策略-价值-搜索的形状，AWEHB 的角色有了精确的名字：它是价值函数。终点是空间的中心稳态区，AWEHB 是那个一步一步告诉系统「这段对话正在靠近还是远离」的读数。顺带一提，来访者永远不会看到临床原始分——他们的周报图把一切翻成正向框架（行动力、在场感、情绪平稳、内在平和、边界感，越长越好），配的说明就是它的本分：来自你对话的读数快照，不是评判。

SCORE：把脉师有了自己的名字

今年，我们开始把生产管线里的 LLM 角色蒸馏成小、本地、可审计的模型。这个项目的第一个动作不是选模型，而是拆任务。管线里的 LLM 其实在做三件可区分的事：SCORE 读来访者的每句话、产出 AWEHB 读数——它从不写回复；SELECT 在白名单内选择本轮的临床动作；VOICE 把裁定说得有温度。而真正保护来访者安全的一切——危机短路、准入表、升级规则——是我们称为「脊柱」的确定性代码，脊柱永远不进任何模型的权重。

SCORE 是天然的第一候选：任务最结构化、最可度量，而且它的准确性牵动最多的下游决策——会话能走多深、评估何时必须先于技术、稳定工具何时递出、周报图怎么读。我们在一台 MacBook 上，通过一条真实来访者对话永不入训的师徒链，训出了一个 0.6B 的学生。方法论——包括一段加数据也推不动的平台期，和为什么三倍大的模型几乎没帮上忙——写在它自己的笔记里，发布本身见公告。

8 月 5 日，我们以开放权重发布了 hamo-score-0.6b。第十二天，下载量 999 次；第十四天：1677 次——后两天几乎追平了前十二天。已经有社区成员自发发布了独立的 GGUF 量化镜像——这正是开源生态该有的样子。据我们所知，它可能是第一个专为陪伴场景的逐句情感读数而蒸馏的开放权重模型：它不生成，只读数——任何机构现在都可以在自己的合规边界内，运行自己的把脉师。

识别一只猫的两种方式

现在把镜头拉远，因为 AWEHB 的真正意义，坐落在一场老得多的争论里：关于「如何描述一个心智」，符号主义与连接主义之间绵延百年的分野。

想想你会怎么教机器认猫。符号主义的做法：把特征写下来。两只耳朵 + 毛茸茸 + 有条尾巴 = 猫。然后现实开始批改作业：折耳猫的耳朵趴着，斯芬克斯猫没有毛，马恩岛猫没有尾巴。每个反例都要求再打一个补丁，规则集在自己的修正案下越来越脆——因为先验特征是设计者事先想到的，而世界永远比设计者想到的多。

连接主义不写规则。给网络看一百万只猫，它在高维空间里自己长出「猫的方向」——耳形、步态、瞳孔、蜷卧的曲线，以及成千上万个从未被命名的特征。斯芬克斯猫出现时，不需要打任何补丁：表征自己移动、自己继续完善。特征不是被定义的，是被学习的；不是十个，是整个空间。

MBTI 的十六个格子、九型人格的九个类型，正是描述心智的「两只耳朵毛茸茸有尾巴」：**先验的、离散的、静态的符号特征。**它们不是没用——「有尾巴」确实描述了大多数猫——但它们背着两个结构性天花板：把连续的人吸附进离散的格子（处在 INTJ 与 INTP 之间的人必须二选一），把移动中的人钉在静态的标签上（今天测出的类型，宣称替你说明年的话）。

Hamo 的表征走连接主义的路。来访者分享的每一段对话、每一个事实、每一次情绪时刻，都被嵌入一个 3072 维的学习向量空间——不是我们设计了 3072 个特征，而是表征模型从语义本身学出的分布式特征。它是连续的（人活在维度之间，不在格子里）、动态的（每段对话都在更新它），而且以符号清单做不到的方式完整（它抓住的是没有名字的那些方向，而不只是有名字的那几个）。

移动的度量

但只有空间还不够。地图再精确，如果不能度量「这一步是在靠近还是远离」，它就还只是地图。AWEHB 补上的正是这一块：**它是表征空间里「移动」的度量机制。**每句话进来，五路读数报告这一步的方向与幅度——A 和 B 拉向中心，W、E、H 推离中心。位置来自学习的空间，移动来自 AWEHB，方向来自中心稳态的目标：三件齐了，地图才成为导航；「引导他走向中间橙色区域」也才从愿景，变成每一轮都在运行的机制。

有个安静的反讽值得点破。AWEHB 的五个维度本身是设计出来的——手工的、符号的，恰恰是这篇文章刚刚论证反对的那类东西。这是刻意的。表征用连接主义（学习的，3072 维）；度量用符号主义（设计的，五维，每个分数可解释）——因为尺子必须可审计：「W 为什么打 2.5」需要一个人类督导能核对的答案。学习的空间，可解释的尺子。这个混合架构就是 Hamo 一贯立场的一句话版本：模型供读数，确定性结构守规则。

从三句话到一个开源仓库，六个月。空间还在随每段对话生长，而度量其中移动的那把尺子，现在任何人都可以下载。符号的格子会过时，学习的空间不会——因为它和它所描述的心智一样，从不停止学习。

Hamo AI — making minds aware, and awake.

---