🤖 AI

Overcoming Multi-step Complexity in Multimodal Theory-of-Mind Reasoning: A Scalable Bayesian Planner

यह शोध पत्र एक स्केलेबल बेयसियन थ्योरी-ऑफ-माइंड प्लानर प्रस्तावित करता है जो जटिल मल्टीमॉडल तर्क को स्टेपवाइज बेयसियन अपडेट में विघटित करने के लिए बड़े मॉडलों को निर्देशित करने हेतु छोटे भाषा मॉडलों को सक्षम करने के लिए वीक-टू-स्ट्रॉन्ग कंट्रोल का लाभ उठाता है, जिससे मानव मानसिक अवस्थाओं का अनुमान लगाने में अत्याधुनिक सटीकता प्राप्त होती है।

मूल लेखक: Chunhui Zhang, Zhongyu Ouyang, Kwonjoon Lee, Nakul Agarwal, Sean Dae Houlihan, Soroush Vosoughi, Shao-Yuan Lo

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chunhui Zhang, Zhongyu Ouyang, Kwonjoon Lee, Nakul Agarwal, Sean Dae Houlihan, Soroush Vosoughi, Shao-Yuan Lo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि आपका दोस्त क्या सोच रहा है। आप देखते हैं कि वे रसोई में आते हैं, फ्रिज खोलते हैं, भ्रमित दिखते हैं, और फिर पेंट्री (pantry) की ओर जाते हैं। आप अनुमान लगा सकते हैं, "वे शायद कुछ नाश्ता ढूंढ रहे हैं, लेकिन उन्हें लगा कि कुकीज़ फ्रिज में थीं।" किसी के कार्यों के आधार पर उनके छिपे हुए विचारों, विश्वासों और लक्ष्यों का अनुमान लगाने की इस क्षमता को थ्योरी ऑफ माइंड (Theory of Mind - ToM) कहा जाता है।

यह शोध पत्र इस बारे में एक नया तरीका पेश करता है जिससे कंप्यूटर ऐसा "सोच" सकता है, विशेष रूप से तब जब उन्हें वीडियो देखने और विवरण पढ़ने का काम एक साथ करना हो।

यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

समस्या: जटिल सोच का "ब्रेन फॉग" (Brain Fog)

लेखकों ने पाया कि वर्तमान AI मॉडल तब भ्रमित हो जाते हैं जब उनसे लोगों के सोचने के बारेंे जटिल, बहु-चरणीय पहेलियों को हल करने के लिए कहा जाता है।

छोटे AI मॉडल (जैसे एक समझदार किशोर): ये सरल कार्यों में अच्छे होते हैं लेकिन जब कहानी लंबी या जटिल हो जाती है, तो ये खो जाते हैं। ये विवरण भूल जाते हैं।
विशाल AI मॉडल (जैसे एक जीनियस प्रोफेसर): इनके पास दुनिया के ज्ञान का एक विशाल पुस्तकालय है, लेकिन इन्हें प्रशिक्षित करना महंगा है और कभी-कभी ये अपने ही विशाल ज्ञान से विचलित हो जाते हैं, जिससे ये पहेली के विशिष्ट तर्क पर ध्यान केंद्रित करने में विफल रहते हैं।
"प्लानिंग" का जाल (The "Planning" Trap): जब आप AI को चरणों का एक लंबा क्रम योजना बनाने के लिए कहते हैं (जैसे "पहले वे फ्रिज खोलते हैं, फिर उन्हें एहसास होता है कि दूध खत्म हो गया है, इसलिए वे पेंट्री की ओर जाते हैं"), तो AI अक्सर अपना रास्ता भटक जाता है। जितने अधिक चरण होने चाहिए, इसकी सटीकता उतनी ही खराब होती जाती है।

समाधान: एक "कमजोर-से-मजबूत" टीम-अप (Weak-to-Strong Team-Up)

लेखकों ने एक प्रणाली बनाई है जिसे वे स्केलेबल बेयसियन प्लानर (Scalable Bayesian Planner) कहते हैं। इसे दो लोगों की साझेदारी के रूप में सोचें: एक स्पेशलिस्ट इंटर्न (विशेषज्ञ प्रशिक्षु) और एक दुनिया देख चुका विशेषज्ञ (World-Weary Expert)।

स्पेशलिस्ट इंटर्न (छोटा मॉडल):
- यह एक छोटा AI मॉडल है (जैसे 8 बिलियन पैरामीटर्स वाला) जिसे विशेष रूप से हजारों "मन पढ़ने" वाले परिदृश्यों पर प्रशिक्षित किया गया है।
- यह एक जूनियर जासूस की तरह है जिसने लोगों के चीजें खोजने के कई मामलों का अध्ययन किया है। वह जानता है कि किसी के लक्ष्य के बारे में सुराग कैसे ढूँढना है।
- हालाँकि, उसे वास्तविक दुनिया (जैसे कि "फ्रिज" वास्तव में कैसा दिखता है या रसोई कैसे काम करती है) के बारे में ज्यादा जानकारी नहीं है।
दुनिया देख चुका विशेषज्ञ (बड़ा मॉडल):
- यह एक विशाल AI मॉडल है (405 बिलियन पैरामीटर्स तक)।
- यह दुनिया के बारे में सब कुछ जानता है। यह जानता है कि फ्रिज क्या है, वाइन का स्वाद कैसा होता है, और लोग आमतौर पर कैसे व्यवहार करते हैं।
- लेकिन, इसे "जासूसी तर्क" के लिए विशेष रूप से प्रशिक्षित नहीं किया गया है जिसकी आवश्यकता इन मन-पढ़ने वाली पहेलियों को हल करने के लिए होती है।
जादुई ट्रिक (Weak-to-Strong Control):
- विशाल विशेषज्ञ (Expert) को फिर से प्रशिक्षित करने के बजाय, टीम इंटर्न का उपयोग एक्सपर्ट को निर्देशित करने के लिए करती है।
- कल्पना कीजिए कि विशेषज्ञ एक पहेली सुलझाने की कोशिश कर रहा है। इंटर्न फुसफुसाता है, "हे, इस विशेष प्रकार की पहेली में, लोग पहले पेंट्री में देखते हैं, फ्रिज में नहीं।"
- विशेषज्ञ इस फुसफुसाहट को सुनता है, अपनी सोच को समायोजित करता है, और पहेली को सही ढंग से हल करने के लिए अपने विशाल ज्ञान का उपयोग करता है।
- शोध पत्र इस तकनीक को "बेयसियन प्लानर" कहता है। सरल शब्दों में, यह विश्वासों को अपडेट करने का एक गणितीय तरीका है: "मुझे लगा था कि वे X की तलाश कर रहे थे, लेकिन अब जब मैंने उन्हें Y करते देखा, तो मुझे अपने अनुमान को Z में अपडेट करना चाहिए।"

व्यवहार में यह कैसे काम करता है

सिस्टम एक व्यक्ति (जैसे "जेम्स") के घर में घूमते हुए एक वीडियो को देखता है।

प्रतीकात्मक अनुवाद (Symbolic Translation): सबसे पहले, कंप्यूटर वीडियो और टेक्स्ट को तथ्यों की एक सरल सूची में बदल देता है (जैसे "जेम्स रसोई में है," "वाइन कैबिनेट में है")।
टीम काम करती है: छोटा, विशिष्ट मॉडल चरणों का विश्लेषण करता है और बड़े मॉडल को बताता है, "जेम्स के कार्यों के आधार पर, उसके वाइन चाहने की संभावना अधिक है।"
विशेषज्ञ निर्णय लेता है: बड़ा मॉडल उस संकेत को लेता है, उसे मानव व्यवहार के बारे में अपने विशाल ज्ञान के साथ जोड़ता है, और जेम्स के लक्ष्य के बारे में अंतिम अनुमान लगाता है।

परिणाम

लेखकों ने इसका परीक्षण "VirtualHome" (एक डिजिटल अपार्टमेंट) नामक सिम्युलेटर पर किया और यहाँ तक कि "प्राचीन मिस्र" या "अंतरिक्ष" जैसे काल्पनिक परिदृश्यों पर भी किया ताकि देखा जा सके कि क्या AI सामान्यीकरण (generalize) कर सकता है।

बेहतर सटीकता: उनकी विधि ने मौजूदा सर्वोत्तम विधियों की तुलना में सटीकता में 4.6% का सुधार किया।
स्थिरता: भले ही हमने "इंटर्न" को छोटा (8 बिलियन से 4 बिलियन पैरामीटर्स तक) बनाया, फिर भी सिस्टम अच्छी तरह से काम करता रहा। यह साबित करता है कि "एक्सपर्ट" को गाइड करने के लिए आपको एक बहुत बड़े "इंटर्न" की आवश्यकता नहीं है।
नया मानक: उनका दावा है कि यह AI को जटिल, बदलते परिवेश में मानवीय मानसिक अवस्थाओं को समझने के लिए एक नया मानक स्थापित करता है।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

लेखकों का तर्क है कि आपको सामाजिक तर्क (social reasoning) को बेहतर बनाने के लिए विशाल AI मॉडल को फिर से प्रशिक्षित करने में लाखों डॉलर खर्च करने की आवश्यकता नहीं है। इसके बजाय, आप एक छोटा, सस्ता "स्पेशलिस्ट" मॉडल प्रशिक्षित कर सकते हैं और उसे विशाल मॉडल को दिशा देने के लिए उपयोग कर सकते हैं। यह AI को ऐसी स्थितियों में भी मानवीय विचारों और इरादों को अधिक विश्वसनीय रूप से समझने में सक्षम बनाता है जिन्हें उसने पहले कभी नहीं देखा है।

संक्षेप में: उन्होंने एक ऐसी प्रणाली बनाई है जहाँ एक छोटा, विशिष्ट जासूस, एक विशाल, जानकार विश्वकोश (encyclopedia) को एक रहस्य सुलझाने के तरीके सिखाता है, जिसके परिणामस्वरूप एक बहुत अधिक स्मार्ट जासूसी टीम तैयार होती है।

तकनीकी सारांश: मल्टीमॉडल थ्योरी-ऑफ-माइंड रीजनिंग में मल्टी-स्टेप जटिलता पर विजय पाना

1. समस्या विवरण (Problem Statement)

थ्योरी-ऑफ-माइंड (ToM) अवलोकन योग्य संकेतों से मानसिक अवस्थाओं (विश्वास, इच्छाएं, इरादे) को समझने की संज्ञानात्मक क्षमता है। हालांकि यह मानव सामाजिक संज्ञान के लिए आवश्यक है, मल्टीमॉडल वातावरणों में कम्प्यूटेशनल ToM महत्वपूर्ण स्केलेबिलिटी चुनौतियों का सामना करता है। मौजूदा दृष्टिकोण आम तौर पर दो श्रेणियों में आते हैं: (1) ToM-विशिष्ट प्रायर्स (priors) के साथ संरचित योजना कार्यप्रवाह (structured planning workflows), और (2) विशेष प्रशिक्षण के माध्यम से भाषा मॉडलों (LMs) में इन प्रायर्स को एकीकृत करना।

यह शोध पत्र इन दो मौलिक बाधाओं की पहचान करता है जो जटिल, मल्टीमॉडल ToM कार्यों में इन विधियों को प्रभावी ढंग से स्केल करने से रोकती हैं:

रीजनिंग बाउंड्रीज़ (Reasoning Boundaries): इन्फरेंस-टाइम स्केलिंग विधियाँ (जैसे, चेन-ऑफ-थॉट, o1-जैसे सिस्टम) और मानक फाइन-ट्यूनिंग, स्टेप्स की संख्या बढ़ने के साथ सटीकता बनाए रखने में विफल रहती हैं। छोटे मॉडल (जैसे, 8B, 70B पैरामीटर्स) मल्टी-स्टेप परिदृश्यों में तेजी से सटीकता खो देते हैं, जबकि केवल विशाल मॉडल (जैसे, 405B) ही प्रदर्शन बनाए रख पाते हैं।
वर्ल्ड नॉलेज डिपेंडेंसी (World Knowledge Dependency): मल्टीमॉडल ToM रीजनिंग के लिए व्यापक सामाजिक और विश्व ज्ञान को एकीकृत करने की आवश्यकता होती है। छोटे LMs के पास इस विविध ज्ञान को प्रभावी ढंग से एनकोड करने और उपयोग करने के लिए प्रीट्रेनिंग क्षमता की कमी होती है, जिससे अनदेखे परिदृश्यों में खराब सामान्यीकरण (generalization) होता है।

वर्तमान विधियाँ संरचित तर्क (मल्टी-स्टेप जटिलता को संभालने के लिए) और विशाल विश्व ज्ञान (अनुमानों को आधार देने के लिए) के बीच संतुलन बनाने में संघर्ष करती हैं, जिसके परिणामस्वरूप अक्सर एक ऐसा ट्रेड-ऑफ होता है जहाँ मॉडल का पैमाना बढ़ाने से ज्ञान तो सुधरता है लेकिन विशिष्ट, महंगी अनुकूलन प्रक्रियाओं के बिना रीजनिंग जटिलता हल नहीं होती।

2. कार्यप्रणाली (Methodology)

लेखक एक स्केलेबल बेयसियन ToM प्लानर (Scalable Bayesian ToM Planner) प्रस्तावित करते हैं जो बेयसियन इनवर्स प्लानिंग (BIP) को वीक-टू-स्ट्रोंग कंट्रोल (Weak-to-Strong Control) तंत्र के साथ जोड़कर एक सहक्रियात्मक दृष्टिकोण के माध्यम से इन सीमाओं को संबोधित करता है।

2.1. बेयसियन इनवर्स प्लानिंग (BIP) फ्रेमवर्क

मुख्य रीजनिंग इंजन BIP पर आधारित है, जो जटिल ToM कार्य को मॉड्यूलर, स्टेपवाइज बेयसियन अपडेट में विभाजित करता है। एजेंट के व्यवहार को एक पार्टियली ऑब्जर्वेबल मार्कोव डिसीजन प्रोसेस (POMDP) के रूप में मॉडल किया गया है। सिस्टम देखे गए स्टेट्स ( $s_{1:t}$ ) और एक्शन्स ( $a_{1:t-1}$ ) के आधार पर एजेंट के लक्ष्य ( $g$ ) और विश्वास ( $b_t$ ) की पोस्टीरियर प्रोबेबिलिटी को इन्फर करता है:

$P(g, b_t | s_{1:t}, a_{1:t-1}) \propto \prod_{\tau=1}^{t} \pi(a_\tau | g, b_\tau) P(b_\tau | b_{\tau-1}, s_\tau) P(b_0)P(g)$

यहाँ, $\pi(a_\tau | g, b_\tau)$ पॉलिसी (लक्ष्य और विश्वास के आधार पर क्रिया की संभावना) को दर्शाता है। फ्रेमवर्क विभिन्न लक्ष्य-विश्वास जोड़ों के संचयी लॉग-लाइक्लीहुड की तुलना करके परिकल्पनाओं को पुनरावर्ती रूप से परिष्कृत करता है।

2.2. वीक-टू-स्ट्रोंग कंट्रोल मैकेनिज्म

लाइक्लीहुड एस्टीमेशन के लिए विशाल मॉडलों पर निर्भरता और उन्हें सीधे फाइन-ट्यून करने की कठिनाई को दूर करने के लिए, लेखक एक वीक-टू-स्ट्रोंग कंट्रोल रणनीति पेश करते हैं:

वीक कंपोनेंट (विशेषज्ञ कंट्रोलर): एक छोटा LM (जैसे, 8B या 4B पैरामीटर्स) विशेष रूप से ToM कार्यों के लिए पोस्ट-ट्रेन किया गया है। इस प्रशिक्षण में शामिल है:
- इंस्ट्रक्शन ट्यूनिंग: विशिष्ट परिदृश्यों में देखे गए एक्शन्स की लाइक्लीहुड को अधिकतम करने के लिए एक पॉलिसी $\pi_{E0}$ को रिफाइन करना।
- प्रेफरेंस ऑप्टिमाइजेशन: एक संशोधित डायरेक्ट प्रेफरेंस ऑप्टिमाइजेशन (DPO) लॉस का उपयोग करके मॉडल को प्रभावी (संक्षिप्त, सफल) और अप्रभावी (लंबे, विफल) एक्शन्स के बीच अंतर करने के लिए अलाइन करना।
स्ट्रोंग कंपोनेंट (स्केल्ड पॉलिसी मॉडल): एक बड़ा LM (405B तक) इन्फरेंस के दौरान प्राथमिक पॉलिसी मॉडल के रूप में कार्य करता है। इसमें व्यापक विश्व ज्ञान है लेकिन विशिष्ट ToM व्यवहार संबंधी प्रायर्स की कमी है।
इन्फरेंस-टाइम गाइडेंस: बड़े LM को फाइन-ट्यून करने के बजाय, सिस्टम पोस्ट-ट्रेन किए गए छोटे LM द्वारा बड़े LM के आउटपुट को निर्देशित करने के लिए उपयोग करता है। बड़े LM की पॉलिसी डिस्ट्रीब्यूशन ( $\bar{\pi}$ ) को पोस्ट-ट्रेन किए गए छोटे LM की पॉलिसी ( $\pi_E$ ) और एक नैिव (naive) छोटे LM की पॉलिसी ( $\pi_N$ ) के अनुपात द्वारा समायोजित किया जाता है:

$\bar{\pi}(a_t | s_t, g, \hat{b}_t) = \frac{1}{\bar{Z}} \pi_L(a_t | s_t, g, \hat{b}_t) \frac{\pi_E(a_t | s_t, g, \hat{b}_t)}{\pi_N(a_t | s_t, g, \hat{b}_t)}$

यह तंत्र बड़े LM के लॉजिट्स को महंगे प्रत्यक्ष पोस्ट-ट्रेनिंग की आवश्यकता के बिना ToM-विशिष्ट व्यवहारों की ओर प्रभावी रूप से पुनर्निर्देशित करता है।

2.3. सैद्धांतिक आधार (Theoretical Foundation)

यह दृष्टिकोण थ्योरम 1 (Theorem 1) पर आधारित है, जो यह प्रतिपादित करता है कि पोस्ट-ट्रेन किए गए छोटे LM और नैिव छोटे LM के बीच के अंतर से प्राप्त आउटपुट एडजस्टमेंट $\Delta s$ , बड़े LM के क्रॉस-एन्ट्रॉपी लॉस के स्केल्ड नेगेटिव ग्रेडिएंट के करीब होता है। फलस्वरूप, बड़े LM का आउटपुट डिस्ट्रीब्यूशन एक सीधे ट्यून किए गए बड़े मॉडल के समान होता है, जिसका KL डाइवर्जेंस लर्निंग रेट और लॉस के हेसियन (Hessвian) द्वारा सीमित होता है।

3. मुख्य योगदान (Key Contributions)

स्केलेबल बेयसियन प्लानर: एक नया फ्रेमवर्क जो मल्टी-स्टेप ToM जटिलता को प्रबंधनीय बेयसियन अपडेट में तोड़ देता है, जिससे उन रीजनिंग बाउंड्रीज़ से बचा जा सकता है जो मानक इन्फरेंस-टाइम स्केलिंग को प्रभावित करती हैं।
वीक-टू-स्ट्रोंग कंट्रोल: छोटे, पोस्ट-ट्रेन किए गए LMs से बड़े LMs (7B से 405B) में ToM-विशिष्ट रीजनिंग व्यवहारों को ट्रांसफर करने की एक विधि। यह बड़े मॉडलों को उनके विश्व ज्ञान का लाभ उठाने की अनुमति देता है जबकि वे बेयसियन निरंतरता का पालन करते हैं।
सैद्धांतिक औचित्य: एक औपचारिक प्रमाण (थ्योरम 1) जो यह दर्शाता है कि वीक-टू-स्ट्रोंग कंट्रोल मैकेनिज्म सीधे ट्यून किए गए बड़े मॉडल के व्यवहार को एक सीमित त्रुटि के साथ एप्रोक्सिमेट करता है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक प्रयोग जो दिखाते हैं कि यह दृष्टिकोण अनदेखे परिदृश्यों सहित मल्टीमॉडल ToM बेंचमार्क पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन MMToM-QA बेंचमार्क (VirtualHome सिम्युलेटर) पर किया गया और पांच अनदेखे थीमैटिक वातावरण (एंडरसन फेयरी टेल्स, प्राचीन मिस्र, अंतरिक्ष, वाइल्ड वेस्ट, मध्यकालीन महल) में विस्तारित किया गया।

सटीकता में सुधार: प्रस्तावित विधि ने मल्टीमॉडल ToM कार्यों पर 81.3% सटीकता प्राप्त की, जो सबसे अच्छे मौजूदा बेसलाइन्स (जैसे, BIPALM विद GPT-J-6B या Llama2-7B) की तुलना में 4.6% का सुधार है।
स्केलिंग लाभ:
- स्ट्रोंग कंपोनेंट: बड़े LM के आकार को 70B से 405B पैरामीटर्स तक बढ़ाने से ToM समझ में निरंतर सुधार हुआ, विशेष रूप से डायनेमिक रीजनिंग की आवश्यकता वाले गोल इन्फरेंस कार्यों में।
- वीक कंपोनेंट: कंट्रोलर को 8B से 4B पैरामीटर्स (चौड़ाई और गहराई दोनों में कमी) तक कम करने पर भी स्थिर प्रदर्शन (78.0%–79.15%) बना रहा, जो दर्शाता है कि छोटे मॉडल प्रभावी रूप से बड़े मॉडलों को गाइड कर सकते हैं।
सामान्यीकरण (Generalization): विधि ने अनदेखे परिदृश्यों में मजबूत हस्तांतरणीयता प्रदर्शित की, जो विविध वातावरणों में ज़ीरो-शॉट और सीधे पोस्ट-ट्रेन किए गए बेसलाइन्स से बेहतर प्रदर्शन करती है।
एब्लेशन स्टडीज (Ablation Studies):
- एक बड़े LM में छोटे LM का नैिव लॉजिट एडिशन (logit addition) उप-इष्टतम था, जो संरचित वीक-टू-स्ट्रים कंट्रोल की आवश्यकता की पुष्टि करता है।
- बड़े मॉडलों (70B) का सीधा फाइन-ट्यूनिंग, प्रस्तावित कंट्रोल मैकेनिज्म की तुलना में कम स्थिर और कम प्रभावी था, जो संभवतः हाइपरपैरामीटर संवेदनशीलता के कारण है।
- पोस्ट-ट्रेनिंग ने विश्वास इन्फरेंस (विश्व ज्ञान) और लक्ष्य इन्फरेंस (डायनेमिक रीजनिंग) दोनों के लिए प्रदर्शन को काफी बढ़ाया।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र जटिल, गतिशील वातावरण में मानव मानसिक अवस्थाओं को मॉडल करने के लिए एक नया मानक स्थापित करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

स्केलेबिलिटी सीमाओं पर विजय: यह प्रदर्शित करता है कि मल्टी-स्टेप ToM रीजनिंग में निरंतर सटीकता बनाए रखने के लिए केवल फाइन-ट्यूनिंग या इन्फरेंस-टाइम स्केलिंग पर निर्भर रहने के बजाय, संरचित फ्रेमवर्क (BIP) और व्यापक सामान्यीकरण क्षमताओं वाले मॉडलों (Large LMs) दोनों की आवश्यकता होती है।
दक्षता: बड़े मॉडलों (जैसे, 405B) के प्रत्यक्ष पोस्ट-ट्रेनिंग से बचकर, यह विधि बेहतर प्रदर्शन प्राप्त करते हुए कम्प्यूटेशनल लागत को कम करती है। यह "दोनों दुनियाओं के सर्वश्रेष्ठ" का लाभ उठाती है: बड़े मॉडलों का विश्व ज्ञान और छोटे, कुशलतापूर्वक प्रशिक्षित मॉडलों के विशिष्ट व्यवहार संबंधी प्रायर्स।
सामान्यीकरण: दृष्टिकोण अनदेखे परिदृश्यों में प्रभावी साबित हुआ, जो बताता है कि सीखे गए ToM व्यवहार विभिन्न सांस्कृतिक और पर्यावरणीय संदर्भों में मजबूत और हस्तांतरणीय हैं।

लेखक इस बात पर जोर देते हैं कि उनकी विधि केवल मौजूदा बेसलाइन्स में सुधार नहीं करती है, बल्कि मौलिक रूप से उस "गुरुत्वाकर्षण खिंचाव" (gravitational pull) को संबोधित करती है जो वर्तमान कम्प्यूटेशनल ToM विधियों को मल्टी-स्टेप प्लानिंग की जटिलता में फंसा देता है।