通过仿真与任务分解增强大语言模型的心智理论推理：Decompose-ToM
计算机视觉与模式识别
2025-01-17 v1
摘要
心智理论（ToM）是理解和反思他人心理状态的能力。尽管这一能力对于人类交互至关重要，但在大语言模型（LLM）上的测试结果表明，他们仅具备其粗浅的理解。尽管最强大的闭源LLM在某些ToM任务上接近人类水平，但在涉及更结构化推理的复杂变体任务时仍表现不佳。本文利用认知心理学中的“假想游戏”或“仿真理论”概念，提出“Decompose-ToM”：一种改善大语言模型在复杂ToM任务上性能的基于LLM的推理算法。我们递归模拟用户视角，将ToM任务分解为更简单的函数集合：主体识别、问题重构、世界模型更新和知识可用性。我们在更高阶ToM任务和测试LLM在对话场景下ToM能力的任务上进行测试，结果表明该方法在各种模型上相较于基线方法显示出显著改进，同时在不同任务中仅需最小程度的提示调优且无需额外模型训练。
关键词
引用
@article{arxiv.2501.09055,
title = {SHYI: Action Support for Contrastive Learning in High-Fidelity Text-to-Image Generation},
author = {Tianxiang Xia and Lin Xiao and Yannick Montorfani and Francesco Pavia and Enis Simsar and Thomas Hofmann},
journal= {arXiv preprint arXiv:2501.09055},
year = {2025}
}
备注
Main content 4 pages