本文主要是介绍Thinking for Doing：让LLMs能推断他人心理状态来做出适当的行动。，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
LLMs通常能回答有关心理状态的问题，但往往不能将这些推断用于实际行动。例如，如果一个故事中的角色正在寻找他的背包，而模型知道背包在厨房里，那么模型应该能推断出最好的行动是建议角色去厨房查看。
T4D 的目的就是要求模型不仅要能回答有关其他人心理状态的问题（这是许多现有评估方法的焦点），还要能根据这些推断来选择最佳的行动方案。
论文：arxiv.org/abs/2310.03051
PDF：arxiv.org/pdf/2310.03051…
解决方案
为了解决这一问题，作者引入了一个零样本提示框架，名为“Foresee and Reflect”（FaR），该框架能显著提高LLMs在T4D上的性能。
工作原理
Foresee and Reflect”（FaR）主要由两个组件组成：预见（Foresee）和反思（Reflect）。
1. 预见（Foresee）
在这一阶段，模型被引导去预测或预见可能的未来事件或行动，并对它们进行初步的评估。这通常涉及到对故事或场景中角色的心理状态（如信念、意图等）的理解，并基于这些理解来预测他们可能会采取哪些行动。
2. 反思（Reflect）
在预见阶段之后，模型进入反思阶段。在这里，模型需要重新考虑其先前的预测和评估，以确定是否需要调整或优化。这可能涉及到更深入地理解角色的心理状态，或者考虑更多的环境因素和可能的结果。
FaR 在 T4D 中的应用
通过结合预见和反思两个阶段，FaR 框架能够引导模型进行更结构化、更深入的推理。这不仅有助于模型更准确地理解角色的心理状态，还使其能够更有效地将这些理解转化为适当的行动或决策。例如，如果在一个故事中，一个角色想找到他的背包，模型首先会在预见阶段预测角色可能会去哪里找。然后，在反思阶段，模型可能会考虑其他因素，如角色过去在哪里找到过背包，或者在当前环境中哪些地方最可能存放背包，从而优化其行动建议。
这篇关于Thinking for Doing：让LLMs能推断他人心理状态来做出适当的行动。的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
