Nithin Sivakumaran, Ali Payani, Hyunji Lee, Mohit Bansal, Elias Stengel-Eskin · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29934 · open-access PDF
Formar una teoría exacta de la mente (ToM) es la clave para la colaboración exitosa de varios agentes y requiere razonamiento bajo incertidumbre para capturar múltiples estados de socios posibles. Esto es difícil de hacer en el espacio de representación de texto de agentes nativos a grandes modelos de lenguaje (LLM), que describen más fácilmente un estado de socios único. Para abordar este desafío, presentamos ToM2Vec, que aprende a formar teorías abstractas de la mente en un rico espacio latente a través de un presupuesto fijo de tokens de razonamiento continuo. Durante el entrenamiento, la supervisión de estos tokens proviene de los pensamientos reales del socio, que los tokens ToM
Machine translation (Meta M2M100); the English original follows.
Forming an accurate theory-of-mind (ToM) is key to successful multi-agent collaboration and requires reasoning under uncertainty to capture multiple possible partner states. This is hard to do in the text representation space native to large language model (LLM) agents, which more easily describe a single partner state. To address this challenge, we introduce ToM2Vec, which learns to form abstract theories-of-mind in a rich latent space via a fixed budget of continuous reasoning tokens. During training, supervision for these tokens comes from the partner's actual thoughts, which the ToM tokens
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29934, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange