研究：大模型心智理论总分掩盖行为预测短板
研究显示，大模型心智理论总分常把识别信念与预测行为混为一谈。SimpleToM上Llama-3.1-8B识别心理状态达99.4%，行为预测仅28.9%。提醒加轻量测试时训练可显著回升，但时间性信念追踪仍难。
要点
- 四个基准显示，识别心理状态与据此预测行为是不同能力，聚合分数会掩盖差距。
- SimpleToM上，提醒配合BSTTT使Llama行为预测提升40.8个百分点，其中提醒贡献最大，BSTTT仅再增1.3至5.5个百分点。
- 上下文示例常优于权重更新，但恢复效果因模型与任务而异，时间性信念追踪仍然困难。
为什么值得看
模型被用于治疗、教育和个人助理等高风险场景时，社交认知不能只看混合后的总分，否则会高估其按他人信念预测行为的能力。
谁会受影响
面向评估和部署大模型社交能力的研究者，以及教育、心理辅助和个人助理产品团队。
今天就能怎么试
论文提出分解报告显式与应用准确率，并比较提示提醒、上下文示例和BSTTT；代码、参数、价格及国内可用性未知，本文未实测。
原始来源
1Diagnosing the Explicit-to-Applied Theory of Mind Gap in LLMs · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。