ACTIVE CONFUSION EXPRESSION IN LARGE LANGUAGE MODELS: LEVERAGING WORLD MODELS TOWARD BETTER SOCIAL R

这篇文章对LLMs社交推理能力的研究很有针对性，精准指出了模型在区分客观状态与主观信念上的核心痛点，并提出了切实可行的解决方案。文章核心是通过构建自适应世界模型，解决LLMs在社交推理中的认知混乱问题，同时提升准确率与降低计算成本。

一、文章主要内容总结

1. 研究背景与问题
   • LLMs在数学、代码推理上表现优异，但在社交推理任务中存在明显缺陷，包括认知混乱（如处理多时间线时）、逻辑不一致（分析复杂人物关系时），以及混淆客观世界状态（如物体移动、人物离开）与主观信念状态（如人物对事件的认知）。
   • 通过分析DeepSeek-R1的推理轨迹发现，模型在处理多参与者、多时间线场景时，常输出“tricky”“confused”等矛盾词汇，陷入推理僵局或无限循环，核心原因是无法区分客观现实与主体主观信念。
2. 提出的解决方案：自适应世界模型增强推理机制
   • 触发机制：实时监测模型推理轨迹中的混乱词汇（如“ambiguous”“perplexed”等），一旦检测到则激活世界状态干预。
   • 干预过程：干预触发后，模型暂停当前混乱推理，从动态构建的文本世界模型中提取实体状态（如物体位置）、人物状态（如所在场景）和时间线信息，插入推理