CoSToM：大语言模型 中内在心理理论对齐的因果导向指导

心智理论（ToM）是将心理状态归因于他人的能力，是社交智力的标志。虽然 大语言模型 (LLM) 在标准 ToM 基准测试中表现出了良好的性能，但我们观察到它们通常无法泛化到复杂的特定任务场景，严重依赖提示脚手架来模拟推理。内部知识和外部行为之间的严重错位提出了一个基本问题：LLM是否真正拥有内在认知，并且它们能否将这种内部知识外化为稳定的、高质量的行为？为了回答这个问题，我们引入了 CoSToM（ToM 对齐的因果引导），这是一个从机械解释过渡到主动干预的框架。首先，我们采用因果追踪来映射 ToM 特征的内部分布，凭经验揭示编码基本 ToM 语义的内部层特征。基于这一见解，我们通过这些 ToM 关键层中的目标激活控制来实现轻量级对齐框架。实验表明，CoSToM 显着增强了类人社交推理能力和下游对话质量。