이 논문은 LLM의 마음 이론(ToM) 추론에서 관찰자-자아 충돌 신념 케이스를 다루는 OSCToM을 제안한다. 강화학습, 확장 도메인 특화 언어, 합성 모델을 결합하여 중첩된 신념 충돌을 생성한다. OSCToM-8B는 정보 비대칭 FANToM 벤치마크에서 76% 정확도를 달성하며, 기존 ExploreToM의 0.2% 대비 획기적으로 향상되었다. 데이터 합성 효율은 6배 높아 소규모 모델도 고차 인지 추론을 처리할 수 있음을 시사한다.
- •OSCToM은 관찰자 시점과 자신의 신념이 충돌하는 ToM 케이스를 RL 기반으로 자동 생성하는 프레임워크다.
- •OSCToM-8B는 FANToM에서 76% 정확도를 달성해 기존 ExploreToM(0.2%)을 대폭 능가하며 Hi-ToM, BigToM에서도 경쟁력을 유지한다.
- •데이터 합성 절차가 6배 효율적이어서 타깃 훈련 데이터로 소규모 모델의 고차 인지 추론 능력을 향상시킬 수 있다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
OSCToM: RL-Guided Adversarial Generation for High-Order Theory of Mind
본문 미리보기
arXiv:2605.20423v1 Announce Type: new Abstract: Large Language Models (LLMs) perform well on many language tasks, but their Theory of Mind (ToM) reasoning is still uneven in complex social settings. Existing benchmarks, including ExploreToM, do not always test the recursive beliefs and information asymmetries that make these settings difficult. This paper presents OSCToM (Observer-Self Conflict Theory of Mind), an approach for modeling nested belief conflicts in LLM-based ToM tasks. The key cas
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
