基于大语言模型增强逆规划的心理理论
人工智能
2025-07-08 v1 机器学习
摘要
我们提出了一种混合方法来实现机器心理理论(ToM)，该方法利用大语言模型(LLM)作为生成假设和似然函数的机制，并结合贝叶斯逆规划模型，根据智能体的行为计算其可能心理状态的后验概率。贝叶斯逆规划模型能够准确预测人类在各种ToM任务上的推理，但这些模型在将预测扩展到具有大量可能假设和行为的场景时能力受限。相反，基于LLM的方法最近在解决ToM基准测试方面展现出潜力，但在推理任务上可能表现出脆弱性和失败，即使它们能通过其他结构相同的版本。通过结合这两种方法，本方法利用了各组件的优势，在受先前逆规划模型启发的任务上紧密匹配最优结果，并相对于仅使用LLM或结合思维链提示的模型提高了性能，即使使用通常在ToM任务上表现较差的较小LLM也是如此。我们还展示了该模型在开放式任务上预测心理状态的潜力，为未来ToM模型的发展和创建具有社会智能的生成式智能体提供了有前景的方向。
引用
@article{arxiv.2507.03682,
title = {Towards Machine Theory of Mind with Large Language Model-Augmented Inverse Planning},
author = {Rebekah A. Gelpí and Eric Xue and William A. Cunningham},
journal= {arXiv preprint arXiv:2507.03682},
year = {2025}
}