مقاله‌ی arXiv:2610.12872 · نگه‌داشته برای بعد
Collaborative Theory of Mind: Learning to Self-Revise by Anticipating User Responses
نظریه‌ی ذهن مشارکتی: دستیاری که پاسخ کاربر را پیش‌بینی می‌کند و پیش از ارسال، پیش‌نویسش را اصلاح می‌کند
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Fanzhi Zeng, Anubrata Das, Maytal Saar-Tsechansky, Liu Leqi
خلاصه‌ی فارسی
مسئله
مدل‌های زبانی در تسک‌های فردی قوی‌اند، اما در همکاری چندنوبتی طولانی با کاربر مشکل دارند؛ مثلاً پیش از فهمیدن نیاز کاربر راه‌حل ارائه می‌دهند یا بعد از بازخورد، فرض اشتباهشان را اصلاح نمی‌کنند.
روش
چارچوب CToM مدل را صریحاً آموزش می‌دهد پاسخ کاربر را پیش‌بینی کند و از این پیش‌بینی برای بهتر کردن رفتارش استفاده کند: یک پاسخ پیش‌نویس می‌کند، پیش‌بینی می‌کند کاربر چه خواهد گفت و با این پیش‌بینی پیش از نمایش پاسخ آن را درونی اصلاح می‌کند. در آموزش، پاسخ واقعی کاربر به هر پیش‌نویس هدف پیش‌بینی نوبت بعد است و دستیار برای کمینه کردن منفی لگاریتم درست‌نمایی آن آموزش می‌بیند؛ این هدف با GRPO روی ترکیب موفقیت تسک و تلاش کاربر ترکیب می‌شود.
یافته‌ها
- در استدلال ریاضی، کدنویسی و نوشتن، کارایی مشارکتی بالاتری از همه‌ی پایه‌ها داشت؛ مثلاً در یک تسک ریاضی مشارکتی، دقت نهایی را نسبت به GRPO ساده از ۷۴٫۱ به ۷۹٫۶ درصد رساند.
- با پاداش یکسان، افزودن نظارت پیش‌بینی تعداد پاسخ‌های کاربر را در کدنویسی ۸ درصد و در نوشتن ۱۷ درصد کم کرد و هم‌زمان کارایی را بهتر کرد.
- پیش‌بینی‌ها بعد از آموزش دقیق‌تر شدند و پیش‌بینی دقیق‌تر با بهبود بیشتر از راه خوداصلاحی همراه بود.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ کاربران در آموزش و ارزیابی شبیه‌سازی‌شده‌اند.
چرا مهم است
دستیار خوب پیش از جواب دادن فکر می‌کند طرف مقابل چه واکنشی نشان می‌دهد. این کار نشان می‌دهد این توانایی را می‌شود آموزش داد و همکاری را هم دقیق‌تر و هم کوتاه‌تر کرد.