基于贝叶斯推理的社交推理：图驱动语言模型
人工智能
2026-04-13 v2 计算与语言
机器学习
多智能体系统
摘要
社交推理——从对其他代理部分观察中推断不可观察的信念和意图——是大型语言模型(LLMs)面临的挑战性任务。我们评估了当前推理语言模型在Avalon游戏中的表现，发现虽然最大模型显示出强大的性能，但需要大量测试时序推理，并且在蒸馏到较小、可实时运行的变体后会急剧下降。为此，我们引入了一种混合推理框架，将信念推理外部化到结构化概率模型中，而使用LLM进行语言理解和交互。我们的方法在Agent-Agent对战中实现了与更大模型相当的性能，并且值得注意的是，首个在受控研究中击败人类玩家的语言代理——以67%的胜率，并高于推理基线和人类同伴获得更高的定性评价。我们发布了代码、模型和数据集以支持未来在LLM代理中进行社交推理工作，访问地址为https://camp-lab-purdue.github.io/bayesian-social-deduction/
引用
@article{arxiv.2506.17788,
title = {Bayesian Social Deduction with Graph-Informed Language Models},
author = {Shahab Rahimirad and Guven Gergerli and Lucia Romero and Angela Qian and Matthew Lyle Olson and Simon Stepputtis and Joseph Campbell},
journal= {arXiv preprint arXiv:2506.17788},
year = {2026}
}
备注
Accepted to ACL 2026 main conference