TimeToM：时间空间是解锁大语言模型心智理论能力的关键

基于摘要分析。本文研究大语言模型在 Theory of Mind（ToM，心智理论）任务中推断自身与他人心理状态的能力，提出 TimeToM，以时间空间组织角色信念并支持高阶信念推理。其主要研究对象是语言模型的社会认知推理，而非脑信号解码或 BCI。 机制上，TimeToM 为每个角色构建 Temporal Belief State Chain（TBSC，时间信念状态链），将其划分为自我世界信念与社会世界信念，分别对应一阶与高阶 ToM 问题。方法还引入 tool-belief solver：考虑时间空间中角色之间的信念通信，在信念通信时段内，将某个角色的高阶信念转换为另一角色的一阶信念。相较于仅使用 Chain of Thought（CoT）展开推理，其方法重点是显式组织信念的时间演化及角色间关系。 作者报告，TimeToM 在所测试的 ToM 问题上显著改善了大语言模型的推理表现，并提升推理连贯性与鲁棒性；摘要未提供数据集、基础模型、评估指标、具体数值或对照设置，因而尚不能判断增益幅度及适用边界。时间空间的构造方式、信念通信的判定规则、solver 的实现、实验协议、消融及统计信息尚未验证。 该方法依赖可识别的角色、事件时序与信念关系。现有材料未建立这些结构与 EEG/BCI 瓶颈之间的具体对应关系，不能据此推断其对神经信号任务有效；已有 EEG 相关工作尚未检索确认。