ToM2Vec 是一种在连续潜在空间中学习抽象心智理论（Theory‑of‑Mind, ToM）的方法。它通过固定数量的连续推理 token 来表示对合作伙伴可能状态的多重不确定性。在训练阶段，这些 token 的监督来自伙伴的真实思维，模型被迫将其抽象化并与实际思维匹配。测试时，每个智能体生成自己的 ToM token，并将其作为条件输入，影响自身的思考和行动。
我们在多个环境中评估了 ToM2Vec，包括协作任务 Overcooked‑AI、多人谈判、Decrypto、Hanabi 以及协作逃脱/捕获等混合动机场景。实验表明，相比基础模型和多种竞争性基线，ToM2Vec 能显著提升多智能体协作成功率。进一步的消融实验显示，若将推理以文本形式表达，性能会明显下降，说明潜在连续推理是关键因素。
此外，ToM2Vec 的训练能够迁移到未在训练中出现的伙伴模型，例如专有的 GPT‑5.4，仍保持优势。分析结果表明，生成的 token 更像是对伙伴信念、欲望和下一步行动的 ToM 表征，而非仅仅任务特征；在直接问答伙伴状态的实验中，使用 ToM2Vec 的智能体表现更好。
点评