I modelli visione-linguaggio all'avanguardia mostrano una teoria della mente frammentata tra i compiti

Uno studio recente pubblicato su arXiv (2608.00261) esamina nove modelli avanzati visione-linguaggio (VLM) utilizzando due benchmark derivati dalla psicologia per valutare le loro capacità di Teoria della Mente (ToM). I benchmark includono il Keysar Director Task, che misura la presa di prospettiva visiva in mezzo all'interferenza egocentrica, e i triangoli animati di Frith-Happé, valutati con la rubrica di Castelli, concentrandosi sull'attribuzione di intenzioni basata sul movimento. I risultati indicano che, in assenza di ragionamento a catena di pensiero, i modelli commettono errori egocentrici nel 78% delle prove, assomigliando alla prestazione dei bambini piuttosto che a quella degli adulti, con notevoli differenze tra i modelli. Il ragionamento migliora i risultati per alcuni modelli. Nel compito dei triangoli, l'attribuzione di intenzioni è sottorappresentata, con profili ToM più vicini alla media degli adulti autistici ad alto funzionamento (HF-ASD) che alla media degli adulti con sviluppo tipico (TD), mentre le condizioni Goal-Directed e Random sono vicine alla TD. Questo studio rivela una dissociazione nelle abilità ToM tra i VLM, indicando una cognizione sociale frammentata tra diversi compiti.