本研究提出了新的视频数据集R^3-VQA，以解决社交推理任务的复杂性不足问题。研究表明，现有视觉语言模型在复杂社交场景中的推理能力仍低于人类，而心理理论的应用可以提升其社交推理能力。

本文提出了ToMCAT框架，旨在生成基于心理理论的合作智能体轨迹。该框架结合了元学习和多智能体去噪扩散模型，能够动态调整计划，从而提升团队表现并降低资源消耗。

本研究提出ToM-agent新范式，旨在提升大型语言模型在开放领域对话中的心理理论能力，通过解耦心理状态与信心，增强对话者信念、欲望和意图的推断能力。