纯视频心理理论：增强多模态大语言模型的心理理论能力

针对现有心理理论（ToM）评估多基于文本而忽视纯视觉场景的问题，本文提出 VisionToM 框架。该方法通过计算干预向量，将视觉表征与正确语义目标对齐，引导模型在不同视觉特征层间的注意力，从而减少对虚假语言先验的依赖。在 EgoToM 基准上的实验表明，该方法显著提升了多模态大语言模型的 ToM 推理能力及开放域解释生成的准确性，推动了人机协作的对齐。