推断智能是否存在于可观测行为中是人工智能的根本挑战。本文提出一种针对语言模型等代理的贝叶斯智能理论。每一次提示被视为一次可能不完美的内部实验，代理依据全支持先验通过贝叶斯规则更新，并忠实地报告对问题所有可能答案的后验分布。对同一固定状态的重复提问会产生来自同一未观测实验的独立结果。我们证明，只有当代理的报告之间不存在完全矛盾——即在所有提示的所有报告中始终存在至少一个状态仍然可能——时，其行为才能用上述解释来说明。报告的频率和正概率的大小不再施加额外限制。进一步，我们提出并刻画了一种智能序的行为含义：若两个代理的行为可以解释为一个拥有更信息丰富的实验，则应存在报告分布的耦合，使得信息更丰富的代理的报告排除其对应方排除的每一个答案。最后，我们展示了从智能代理的粗糙报告中进行聚合的困难：除非代理报告了关于世界完整状态的信念，否则最优聚合可以对未被排除的状态赋予任意权重。这些结果为何时代理行为可视为智能提供了理论基础，并凸显了拒绝贝叶斯理性的难度。
点评: 本文通过严谨的贝叶斯框架，将智能行为的可观测性与内部实验的抽象联系起来，为评估语言模型的理性提供了新视角，同时也提醒我们在设计评估机制时必须考虑信息不完全带来的聚合挑战。