# CalBench

心智理论评测常以故事问答判断模型能否推断他人信念，但答对未必意味着能在任务中用上这些判断。研究把家庭协作与日历排程两类可验证任务扩展为信息不对称场景，并拆出世界、信息获取、信念、决策与执行五层独立接口。在匹配的排程案例上，Claude 完整恢复全部智能体信念，却只在67.9%的案例给出主观最优计划；在家庭协作中，向 Qwen-27B 提供信念使任务成功率从55.0%升到75.0%。

心智理论评测常以故事问答判断模型能否推断他人信念，但答对未必意味着能在任务中用上这些判断。研究把家庭协作与日历排程两类可验证任务扩展为信息不对称场景，并拆出世界、信息获取、信念、决策与执行五层独立接口。在匹配的排程案例上，Claude 完整恢复全部智能体信念，却只在67.9%的案例给出主观最优计划；在家庭协作中，向 Qwen-27B 提供信念使任务成功率从55.0%升到75.0%。