[LG]《Social World Models》X Zhou, J Liu, A Yerukola, H Kim... [CMU] (2025)
社会交互的复杂性难以通过传统文本直观捕捉，最新研究推出结构化社会世界表征协议（S³AP），显著提升大型语言模型（LLMs）在社会推理和互动中的表现。
• S³AP通过将自由文本叙事转换为结构化的状态、观察、行为和心理状态元组，构建包含环境状态与多智能体记忆的社会世界状态，兼顾外部观察与内省观察，覆盖信念、目标、情绪等心理变量。
• 设计基于部分可观测马尔可夫决策过程（POMDP）框架，支持动态记忆管理及认知行为（如回忆错误），实现多智能体独立行动与信息不对称下的社会动态建模。
• 自动化的S³AP-Parser利用LLM将复杂叙事解析为结构化格式，显著提升多项社会推理基准（ToMi、FANToM、MMToM-QA等）准确率，最优模型提升幅度达+51%。
• 诱导生成的社会世界模型（SWM）支持“预见与行动”算法，代理通过模拟潜在行动后果优化决策，SOTOPIA硬核评测中社会目标完成度提升最高达+18%。
• SWM在竞争性场景中效果尤为突出，帮助代理预测对手心理与策略，展现复杂信念追踪、视角采纳及协作竞争能力。
• 结构化协议兼顾灵活性与系统性，消解自由文本中的报道偏差与视角混淆，为构建通用社会智能系统奠定基础。
心得：
1. 社会推理本质上区分为“社会状态表征构建”和“基于表征的推理决策”，S³AP有效分离二者，解析能力强的模型能提升推理表现，即便推理能力有限。
2. 结构化、多维度的心理状态显式建模（信念、目标、情绪）是桥接人类社会认知与AI系统的关键，促进AI理解隐含社会动态与非字面信息。
3. 预见未来社会状态的能力极大增强了多智能体决策的复杂度处理，尤其在信息不对称及竞争环境中，策略调整与合作协商能力获得实质提升。
详细阅读👉 arxiv.org/abs/2509.00559
社会智能大型语言模型社会推理多智能体系统认知建模
