本文综述了近年来关于机器 Theory of Mind（ToM）在信仰、欲望和意图方面的进展，概括了不同任务和数据集的发展，并比较了具有优势、局限性和适用条件的模型。我们认为，提出标准的评估标准和数据集，特别是覆盖了 ToM 多个方面的大规模数据集，是解决这种困难的方法之一。

Mar, 2023

通过设计 Theory of Mind （ToM）神经网络，该网络利用元学习从行为观察中建模遇到的智能体，从而学习模拟其他智能体在其世界中的行为，它是发展多智能体 AI 系统、构建机器人与人类交互技术和推进可解释 AI 进步的一个重要步骤。

Feb, 2018

本研究为了衡量 Theory of Mind（意念）在语言学习中的影响，在现有 ToM 的版本上，建立了能够融合 ToM 的语言学习代理，并通过实验，证实高度融合 ToM listener 组件的训练，可以在图像指称游戏环境中获得更好的性能，这表明在计算语言习得中进一步结合 ToM 以及儿童语言习得研究的潜在效用。

Mar, 2023

本文介绍了一种使用心理意识理论建立社交智能代理以有效沟通与合作完成任务的方法，通过观察、推断和接收信息，这些代理可以推断他人的心理状态和意图并决定何时、与谁分享自己的意图，最终在两个典型目标导向的多代理任务中展示了优异的性能。

Oct, 2021

本文提出了 SymbolicToM，即一种通过显式符号表示来跟踪阅读理解任务中多个字符的信念状态、其对他字符信念状态估计及更高级别的推理的方法，该方法在 ToMi 基准测试中表现出了显著的理解能力提升。

Jun, 2023

大语言模型（LLMs）在理解和归因自我和他人的心智状态方面尚未达到人类水平，因此我们引入 ToMBench 评估框架以实现对 LLMs 的 ToM 能力的高效和有效评估。

Feb, 2024

现有的人工智能（AI）的心灵理论（ToM）方法过多地强调受到提示或刺激的 ToM，这可能限制我们共同发展人工社会智能（ASI）。通过对计算机科学、认知科学及相关学科的研究，我们将受到提示的 ToM 与我们所称的自发的 ToM 进行对比，即在无意识、可能无法控制的认知功能基础上进行他人心灵状态的推理。我们主张在研究和发展 AI ToM 时采用有原则的方法，并建议在应对提示的同时，积极进行社会推理的强大，或通用的 ASI。

Feb, 2024

本文研究了多智能体环境中，人类与机器人协作对抗他人时，基于心智化理论的机器人政策对于人机信任的重要性和有效性，并通过采用机器人心智理论模型来缓解机器人采用逆心理策略的问题以保持信任。

Nov, 2023

通过仿真理论的视角引导框架 SimToM，在 Theory of Mind (ToM) 的背景下，改进了大型语言模型（LLMs）的推理能力，无需额外训练和大量提示微调，从而实现了对 ToM 能力的显著提升。

Nov, 2023

该研究采用新颖的神经记忆机制和分层注意力相结合的方法设计了一个理论心智模型，ToMMY，使其能够快速准确地推断他人的意图、信念与将来的行为，进一步实验证明神经记忆机制可在高难度的虚假信念任务中提高心理理解的准确性。

Jan, 2023