本文探讨了Go语言的并发编程，强调通道相较于传统锁机制的重要性。通过三节课，帮助开发者掌握Go并发的核心理念，避免资源泄漏，提高代码质量。

Meta最近发布的报告首次提出心智世界模型，强调心理规律与物理规律同等重要。该模型旨在帮助智能体理解人类的意图、情感和社会关系，从而提升人机交互效率。尽管目前表现不佳，但在多智能体协作中具有巨大潜力。

本研究针对大型语言模型代理在社会推理游戏中的局限性，特别是忽视多模态线索的问题，提出了MultiMind框架。该框架结合多模态信息与心智理论模型，提升了代理在狼人游戏中的推理和策略选择，显著提高了游戏表现，向人类社交推理的能力迈出了重要一步。

本研究探讨大型语言模型（LLMs）在艺术领域的表现，发现其在适当引导下能够生成有效的艺术批评，并在复杂情感和道德任务中展现出不同的表现，揭示了其认知局限性与潜力。

本文研究大型语言模型中心智理论能力的出现，重点分析极端稀疏参数模式的作用。我们提出了一种新方法来识别对心智理论敏感的参数，结果表明，即使是0.001%的微小扰动也会显著降低这些模型的心智理论表现，影响上下文定位和语言理解。该研究为理解大型语言模型如何获得社会推理能力提供了深入见解，推动了人工智能可解释性与认知科学的结合。

本研究提出了EgoToM，这是一个新的视频问答基准，旨在将心智理论（ToM）评估扩展到自我中心领域。通过使用因果ToM模型，我们生成了用于Ego4D数据集的多选视频问答实例，评估对摄像机佩戴者目标、信念和下一步动作的预测能力。研究发现，尽管多模态大型语言模型（MLLMs）在从自我中心视频中推断目标时接近人类水平，但在推断佩戴者的即时信念状态和最符合未观视频未来的未来动作时，仍低于人类表现。

本研究针对视觉语言模型在推断人类意图和心理状态方面的能力不足进行深入探讨。我们提出了一种开放式问题的框架，并构建了一个包含30张图像的评估基准数据集，以评估不同类别的心智理论任务。实验结果表明，GPT-4模型的表现优于其他模型，但在复杂场景下（如欺凌或作弊）仍面临挑战。

本研究提出统一心智模型（UMM），旨在解决人类级自主智能体的理论基础不足问题。该模型结合全球工作空间理论与大型语言模型，支持多种认知能力，并通过MindOS引擎简化智能体的创建过程。

本研究解决了当前说服对话数据集中缺乏真实人际互动的代表性问题，特别是双盲状态的信息共享失效。研究者提出了ToMMA框架，通过因果心智理论指导对话生成，确保数据生成过程保持双盲条件，并构建了CToMPersu数据集，显著提高了与人类对话的对齐度及逻辑一致性。

本研究旨在解决当前机器学习模型在评估心智理论（ToM）方面的不足，尤其是在说服对话中的应用。提出的新基准PersuasiveToM通过设计两类问题，分别评估模型对心理状态的推理能力和应用能力，发现尽管模型在多个问题上表现良好，但在理解复杂心理状态的动态变化方面仍显不足。这项工作有望为评估LLMs的心智理论能力提供新的视角。

本研究解决了当前心智理论推理方法存在的系统性错误和通用性不足的问题，提出了一个名为AutoToM的自动化贝叶斯心智理论方法。该方法能够在任何领域运作，并具备推断任何心理变量及进行具有鲁棒性的心智理论推理的能力，其在多个基准测试中的实证评估表明，AutoToM始终达到最新的性能标准，提供了一种可扩展、鲁棒且可解释的机器心智理论方法。

本研究解决了当前大语言模型（LLM）在自然语言交互中缺乏心智理论（ToM）能力的不足，探讨开源语言模型（LLaMA）如何捕获和保留与ToM相关的信息，并提升回应的一致性。研究发现，通过明确操作心智理论相关的组成部分，如信念、欲望和意图，可以显著提高生成回复的质量，这为增强LLM驱动的对话代理的能力提供了新的思路。