#BigToM

想测模型的心智理论能力，可以看看这个 MuSeToM，2400 多个案例，覆盖六种感官线索。它发现模型能察觉信念要变，却经常推错变化后的内容，还容易被表面线索带偏。做 agent 和对话系统评测的值得一试。