UC San Diego 用心理模型奖励训练 7B 智能体

UC San Diego 新论文提出把心理理论（ToM）写进训练奖励，让 7B 智能体学会推断伙伴的信念与目标，部署时无需额外模型即可独立运行。该方法训练一个推断伙伴信念、意图和想法的模型，在 RL 阶段为候选回复打分，最终智能体单独运行。论文题为《Mental-Models for Multi-Agent Systems》，编号 arXiv:2610.12453。