【行为轨迹胜过人口标签：LLM模拟A/B测试的准确率突破】亚马逊研究者利用LLM构建千人规模虚拟人格，通过输入真实用户的浏览和点击轨迹，在A/B测试正式上线前进行模拟预测。实验显示，这种数字孪生对点击率的预测准确率达75%，注册率转化则在80%至90%之间。关键在于，模拟的有效性并不依赖年龄或性别等人口统计学标签，而是取决于用户过往的行动逻辑。即使缺乏自有数据，借助公开行为数据也能训练出具备预测能力的虚拟群体。这项研究标志着数据价值重心从静态画像向动态行为漂移。LLM不再是简单的对话工具，而是群体潜意识的合成器。它无法完全取代真实反馈，却能充当低成本过滤器，在方案触达用户前剔除平庸假设。当AI通过行为碎片重构群体偏好时，传统调研的反馈周期将被压缩。这种预测力源于Transformer架构对序列模式的捕捉，它看穿了人类在屏幕前那些习惯性的选择。