标签
本文介绍了 SocialRL，一种强化学习方法，用于增强小型语言模型中的社会推理能力，使其能够有效谈判，并在多种交互领域中匹配或超越 GPT-5 等大型模型的表现。
介绍MeetingToM，这是一个用于评估多模态大语言模型在多参与者会议中进行心智理论推理的基准，包含个体、二元和群体层面的任务，包括伪共识检测。
本文介绍了非对话规划心智理论（NCP-ToM）及新型评估框架NCP-ExploreToM，旨在评估LLMs能否通过行动而非对话诱导其他智能体产生特定信念状态。在600个任务中对前沿模型与人类进行测试，GPT-5成功率达到约80%，优于人类，但所有模型在错误信念状态任务上表现更差。
OmniToM 引入了一个基准测试，通过要求显式提取和标注信念结构来评估大语言模型的心智理论，揭示了尽管模型在端点问答任务上表现强劲，但在跟踪角色特定信念方面存在瓶颈。
GRASP是一个大规模数据集，用于多人物视频中的社交推理，将高层次社交问题与细粒度的注视和手势事件联系起来，并引入了社交基础奖励（Social Grounding Reward）以提升多模态模型的理解能力。
RoleConflictBench 是一个新颖的基准，包含 13,000+ 个场景和 65 个角色，旨在评估大语言模型在多个社会期望相互冲突的角色冲突情境中的情境敏感性。对 10 个大语言模型的分析表明，这些模型主要依赖于学习到的角色偏好，而非动态的情境线索来做决策。