超越萨利 - 安妮：利用认知谢林点评估大语言模型的心智理论

针对现有大语言模型心智理论（ToM）评估易受训练数据污染且缺乏泛化性的问题，本文提出认知不对称谢林任务（EAST）。该任务通过双人对话游戏，要求模型在不同认知透明度状态下独立收敛于语义谢林点，以评估其功能性社会推理与协调能力。结果显示，仅前沿模型能应对多变的认知需求，主要失败源于混淆私有知识与共同知识的认知追踪错误。研究表明，稳健的社会推理仍是关键瓶颈。