面向大语言模型的假设驱动心智理论推理

现有的大语言模型推理方法已在各种任务上展现出令人印象深刻的能力，例如解决数学和编程问题。然而，将这些方法应用于没有真实答案或基于规则的验证方法的场景——例如追踪智能体的心理状态——仍然具有挑战性。受序贯蒙特卡洛算法的启发，我们引入了 thought-tracing，一种推理时推理算法，旨在通过生成假设并根据观测对其赋予权重来追踪特定智能体的心理状态，而不依赖数据集中问题的真实答案。我们的算法基于贝叶斯心智理论框架，利用大语言模型根据智能体的感知和行动对其不断演变的心理状态进行概率推断。我们在一系列多样化的心智理论基准上评估了 thought-tracing，与基线大语言模型相比表现出显著的性能提升。我们的实验还揭示了近期推理模型（如 o3 和 R1）在心智理论上的有趣行为，突显了社会推理与其他领域的差异。