論文の概要: Avalon-ToM-Bench: Evaluating Fine-Grained Theory of Mind via Asymmetric Game Mechanics

• arxiv url: http://arxiv.org/abs/2608.09638v1
• Date: Mon, 10 Aug 2026 14:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.302436
• Title: Avalon-ToM-Bench: Evaluating Fine-Grained Theory of Mind via Asymmetric Game Mechanics
• Title（参考訳）: Avalon-ToM-Bench:非対称ゲーム力学による心の微粒化理論の評価
• Abstract要約: 心の理論(ToM)はエージェント相互作用に不可欠であるが、既存の評価は精神状態推論を単純化する静的シナリオに依存している。 Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench。
• 参考スコア（独自算出の注目度）: 17.64570131644488
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Theory of Mind (ToM) is essential for agent interactions, yet existing evaluations either rely on static scenarios that oversimplify mental-state reasoning or interactive settings that provide limited diagnostic insight. We present Avalon-ToM-Bench, a fine-grained benchmark that operationalizes ToM through the asymmetric-information mechanics of The Resistance: Avalon. Rather than evaluating end-to-end gameplay, it decomposes ToM into a 2$\times$2 taxonomy -- epistemic versus motivational reasoning crossed with inference versus action -- using human-crafted, perspective-constrained queries. Benchmarking 28 LLMs reveals three insights: 1) Reasoning, not knowledge. Models show strong game-rule comprehension but markedly weaker ToM abilities, isolating failures to social reasoning rather than missing domain knowledge. 2) Expression, not representation. Mechanistic analyses via linear probing and activation steering show that models frequently represent correct mental-state inferences in their hidden states but fail to express them during generation -- linear probes recover 77-82% accuracy versus 62-70% from the models' own chain-of-thought. 3) Policy, not deliberation. Dedicated reasoning training yields substantial improvements whereas test-time chain-of-thought provides only marginal gains (+11.0 versus +1.1 points on average), suggesting that robust ToM depends on a learned reasoning policy rather than increased inference-time deliberation.
• Abstract（参考訳）: 心の理論(ToM)はエージェントの相互作用に不可欠であるが、既存の評価は精神状態の推論を単純化する静的シナリオに依存するか、限られた診断的洞察を提供するインタラクティブな設定に依存している。 Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench, Avalon-ToM-Bench。 エンド・ツー・エンドのゲームプレイを評価する代わりに、ToMを2$\times$2の分類に分解する。 ベンチマーク 28 LLM には3つの洞察がある。 1) 知識ではなく推論。 モデルは強力なゲームルール理解を示すが、ToM能力は著しく弱く、ドメイン知識の欠如よりも社会的推論に失敗を分離する。 2)表現ではなく表現である。 線形探索とアクティベーションステアリングによる力学解析は、モデルが隠された状態の正しい精神状態の推論をしばしば表現するが、生成時に表現できないことを示している。 3)政策、熟考は行わない。 決定的推論トレーニングは実質的な改善をもたらすが、テストタイムチェーン・オブ・シントは限界利得(平均+11.0対+1.1ポイント)しか提供せず、堅牢なToMは推論時間の熟考を増やすのではなく、学習された推論ポリシーに依存することを示唆している。

関連論文リスト

• M2A: Synergizing Mathematical and Agentic Reasoning in Large Language Models [9.712139528293946]
  モデルマージによる数学的およびエージェント的推論を相乗化する新しいパラダイムであるM2Aを提案する。 M2Aはパラメータ空間内で直接動作し、エージェントの振る舞いに不可欠な特徴部分空間を識別し、数学的推論タスクベクトルをヌル空間にのみマージする。 SFT や RL とは異なり、M2A は追加の勾配更新を必要としない。
  論文  参考訳（メタデータ） (2026-05-11T02:05:30Z)
• When Is Thinking Enough? Early Exit via Sufficiency Assessment for Efficient Reasoning [52.21239821135325]
  本稿では、効率的な推論のための新しいフレームワークDTSR(Dynamic Thought Sufficiency in Reasoning)を紹介する。 人間のメタ認知にインスパイアされたDTSRは、リフレクションシグナルモニタリングとThought Sufficiency Checkという2つの段階で動作する。 DTSRは推論長を28.9%から34.9%削減し、性能損失を最小限に抑えている。
  論文  参考訳（メタデータ） (2026-04-08T07:56:28Z)
• To Think or Not To Think, That is The Question for Large Reasoning Models in Theory of Mind Tasks [56.11584171938381]
  心の理論 (ToM) は、モデルが信念、欲望、意図などの隠された精神状態を推測できるかどうかを評価する。 近年のLRM(Large Reasoning Models)の進歩により、数学やコーディングにおけるステップバイステップ推論が向上している。 本研究では,9つの大規模言語モデル(LLM)の体系的研究を行い,推論モデルと非推論モデルを比較した。
  論文  参考訳（メタデータ） (2026-02-11T08:16:13Z)
• From <Answer> to <Think>: Multidimensional Supervision of Reasoning Process for LLM Optimization [62.07990937720985]
  DRM(Dimension-level Reward Model)は、大規模言語モデルのための新しい監視フレームワークである。 DRMは3つの基本的、相補的、解釈可能な次元に沿って推論プロセスの品質を評価する。 実験の結果、DRMは効果的な監視信号を提供し、LCMの最適化を誘導し、推論能力を向上することが示された。
  論文  参考訳（メタデータ） (2025-10-13T14:29:15Z)
• From Harm to Help: Turning Reasoning In-Context Demos into Assets for Reasoning LMs [58.02809208460186]
  デモとしてDeepSeek-R1の高品質なトレースを使って、このパラドックスを再検討する。 デモが最適であっても、より多くの例を加えることで、常に精度が低下することがわかった。 デモを明示的で再利用可能な洞察に変換するシーケンシャルなテストタイム手順であるInsight-to-solve(I2S)を紹介します。
  論文  参考訳（メタデータ） (2025-09-27T08:59:31Z)
• NegotiationToM: A Benchmark for Stress-testing Machine Theory of Mind on Negotiation Surrounding [55.38254464415964]
  現在、マインド評価の理論は、機械生成データやゲーム設定を用いたテストモデルに焦点を合わせており、ショートカットや素早い相関が生じる傾向にある。 我々は,多次元精神状態を取り巻く実世界の交渉において,ストレステストマシンToMのための新しいベンチマークであるNegotiationToMを紹介する。
  論文  参考訳（メタデータ） (2024-04-21T11:51:13Z)
• Self-Contradictory Reasoning Evaluation and Detection [31.452161594896978]
  本稿では,自己矛盾推論(Self-Contra)について考察する。 LLMは文脈情報理解や常識を含むタスクの推論において矛盾することが多い。 GPT-4は52.2%のF1スコアで自己コントラを検出できる。
  論文  参考訳（メタデータ） (2023-11-16T06:22:17Z)
• FANToM: A Benchmark for Stress-testing Machine Theory of Mind in Interactions [94.61530480991627]
  現在、マインド評価の理論は、本質的に相互作用性に欠ける受動的物語を用いたテストモデルに焦点を当てている。 本稿では,情報非対称な会話文脈におけるToMのストレステストを目的とした新しいベンチマークであるFANToMを紹介する。
  論文  参考訳（メタデータ） (2023-10-24T00:24:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。