心智

在能够获取物理–心智耦合状态的情况下所选择的最优干预，与仅基于物理状态所选择的最优干预之间的期望效用差距（expectedutilitygap）。

心智耦合状态。

提出MENTIS：一种无需训练的基准实现，通过状态解析、观测生成、行为分解、物理–心智耦合状态转移以及分支级价值评估等模块，将MWM框架具体化并实现可运行化。

然后，对每一种可能的行为分支模拟其物理–心智耦合的下一状态；

结果表明，当前最大的剩余瓶颈是状态转移模拟，即模型预测物理–心智耦合世界如何发生变化的能力不足。

给定一个情境化场景、一个目标智能体以及一组候选行为，MENTIS将决策预测过程分解为一系列明确的阶段：状态解析→目标观测生成→行为分解→物理–心智耦合状态转移模拟→分支级评估→最终决策。

首先，心智世界建模维护的是一个物理–心智耦合的世界状态（coupledphysical–mentalworldstate），即同时表征物理环境与智能体的潜在心智状态。

——因为世界的下一状态并非仅由物理因素决定，而是由物理状态与心智状态共同演化（jointlyphysicalandmental）产生的。

从决策理论的角度来看，心智状态信息的价值可以定义为：

心智状态的后续变化，最后评估不同未来结果并选择最终行为。

换言之，MENTIS不再让模型直接从场景跳跃到行为预测，而是要求其显式建模：世界当前处于什么状态、目标智能体如何感知世界、不同动作会如何改变物理与心智状态，以及哪种行为在物理和社会层面最合理。

然而，当前大多数人工智能研究要么构建的是缺乏心智状态的物理世界模型，要么将心理推理简化为孤立的心智理论问答任务（Theory-of-Mindquestionanswering）。

首先，它将场景解析为具有类型结构的物理–心智状态；

」（下）世界的下一状态，也由心智变量决定

如何将心智变量真正纳入世界模型的状态空间呢？

而且性能提升最大的正是在人际互动场景中，因为这些场景中的决策主要依赖于隐藏的心智变量。

该模拟器的全局状态同时包含物理变量（physicalvariables）和心智变量（mentalvariables）。

这项工作将这些心智变量本身纳入世界状态（worldstate）之中，而不是将它们仅仅作为事后解释（post-hocexplanations）。

MENTIS，一个无需训练且完全可观测的基准系统，它迫使基于大语言模型（LLM）的系统以心智世界模型的方式进行推理。

心智世界模型作为一个全局模拟器，首先生成目标智能体能够看到和推断的信息，再让智能体基于这一认知采取行动。

牛津、NUS提出下一代世界模型方向：心智世界模型来了2026年08月13日10:03机器之心Pro想象这样一个场景：一个杯子被A放进柜子里，B没有看到。

但一个家庭服务机器人在决定「是否把这个杯子递给主人」时，就需要理解背后的心智与社会状态——这个行为究竟是在提供帮助、打扰对方、显得失礼、造成风险，还是传递错误信息。

因为人的行为决策并不是单纯由物体、空间结构和物理规律的外部环境决定的，而是由外部环境与内部心智–社会变量的交互作用共同产生的。