10:25
官方账号arXiv cs.AI@Yen-Shan Chen, Yu Chian Duan, Chih-En Kuo, Jian-Bin Wu, Yun-Nung Chen
推荐理由：想测 AI 到底懂不懂人心？这个基准用阿瓦隆桌游把心智理论拆成细粒度任务，28 个模型都栽了。
Avalon-ToM-Bench
共 1 条相关 AI 资讯
8月11日
10:25
Avalon-ToM-Bench 将心智理论拆分为 2×2 分类法，涵盖认知与动机推理、推断与行动。对 28 个大语言模型的测试显示，模型对游戏规则理解良好，但心智理论能力明显偏弱。线性探测从隐藏状态恢复心智判断的准确率达 77-82%，高于模型自身思维链的 62-70%。专门的推理训练平均带来 +11.0 分提升，而测试时思维链仅 +1.1 分。