心理预测不再只猜动作：信念与程序分开迭代，联合正确率在OpenToM升到70.8%
核心概要
心理预测要同时判断角色会做什么、以及它相信什么，而只做表层拟合的模型往往给出动作与信念不一致的答案。一种神经符号推理框架把潜在认知状态拆成信念表示与可执行程序表示，用带上下文能量惩罚的粒子重采样筛掉违反情境约束的假设，再以停止梯度的交替定点迭代让两条通路分开更新。在OpenToM与FANToM的文本分类设定下，动作与信念同时正确的比例分别达到70.8%和52.1%，高于同规模纯编码器分类器。
深度剖析
心理预测的评测从只看动作对不对，扩展到要求同一角色的动作标签与信念标签同时正确。 此前的深度模型偏向表层拟合，缺少结构化的溯因可解释性；传统神经符号系统则受离散采样对情境约束不敏感、符号与神经表示之间难以端到端优化的限制。 与同规模纯DeBERTa-v3-large编码器分类器相比，联合正确率在OpenToM上从67.9%升到70.8%，在FANToM上从48.8%升到52.1%，分别对应2.9和3.3个百分点的绝对提升。
推理过程被组织成“感知—符号—推理”三段：先筛假设，再把符号逻辑放进可微空间，最后让信念与程序交替收敛。 上下文感知自适应SMC重采样算子把可观测性与事件顺序等约束转成指数能量惩罚，降低违反约束的粒子权重；可执行可微程序合成模块用向量符号架构与Gumbel-Softmax把离散规则投影到1024维连续空间，使梯度可以穿过符号计算图。 混合迭代程序—认知交互机制用停止梯度把信念与程序的更新路径分开，最多迭代6次、通常在4次内收敛；在OpenToM与FANToM上分别使用8004与10000条保留样本，单条推理耗时215毫秒。
启示与展望
结果限定在纯文本、分类式的心智理论评测上：OpenToM保留8004条信念相关问答，FANToM使用10000条样本，信念标签由可观测性与事件顺序元数据映射得到。超过512词元的2300条OpenToM长叙事问答被排除在训练与定量评测之外，因此结论不覆盖无限制的长上下文推理。读者若关注多轮对话与信息不对称下的信念追踪，可看FANToM上的表现；若关注真实交互中的多模态线索，则需等待后续工作。
作者明确指出，当两个假设的观测似然与约束违反分数接近时，能量惩罚只能保留两个可能模式而无法判定哪一个正确，这属于信息不对称下的可辨识性边界。信念与程序的分离只支持表示与功能上的专门化，相关性分析来自同一批随机种子的检查点，不构成因果结论；停止梯度是优化手段而非因果干预。在FANToM遮挡比例超过40%时，联合正确率维持在约45%。