★ 3
SciGame 基准发布：评测 LLM 智能体科学定律发现能力
研究者提出 SciGame 受控基准，把科学文献转成结构化科学卡片，每张卡片生成原始与反事实两套同接口环境，并区分历史经典定律与模型知识截止后新论文。在五个前沿模型上实验发现：熟悉的先验在规律被改动后反而有害，自适应实验只对最强模型有帮助，且解释合理可能掩盖定量失败。
arXiv cs.AI3 天前
#反事实推理
共 6 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
CoBe 基准发布：评测对话式反事实文本编辑能力
研究者提出 CoBe 基准，用于测试模型在对话式自然提示下对给定文本场景进行反事实编辑的零样本能力。CoBe 包含 2000 道覆盖医疗、科学与工程、商业及日常场景的问题，前沿模型平均得分仅 58.05%。结果显示模型常退化为关联式生成而非保留原场景的因果结构，且性能不随模型规模或输出长度稳定提升…
arXiv NLP21 天前
★ 3
研究用强加结构与学习物理构建稳定反事实世界模型
论文探讨世界模型需要多少硬编码物理结构、多少系统物理可从数据学习，以同时满足耗散、参数干预响应、超长时程稳定与扰动鲁棒四项性质。方法通过固定可逆算子从学习能量梯度生成动力学，并限制能量类别。在电磁腔、粒子网格与浅水流体上，约九千参数模型即可恢复本构函数并泛化到未见干预值，而无结构同容量模型表现接近…
arXiv cs.LG31 天前
★ 3
COUNTERMEM：世界模型验证的反事实记忆
现有智能体记忆多来自真实交互反馈，很少追问「如果换一个动作会怎样」。作者提出 COUNTERMEM，在动作失败后借助可执行世界模型（测试、证明器、求解器）评估局部替代方案，存储经校验的反事实记忆，并用学习到的记忆使用策略平衡成功率与交互成本。在 12 个基准上平均提升 12.6 个百分点，任务 t…
arXiv cs.AI34 天前
★ 3
CLWM：反事实潜在世界模型提升具身推理规划成功率
识别出世界模型中的反事实坍缩问题，即模型预测视觉上合理的未来却无法区分不同干预的行为后果。提出反事实潜在世界模型（CLWM），结合循环信念状态编码器和对比反事实目标，在遮挡操作、混叠导航等任务上显著提升规划成功率，并减少剥削性规划失败。
arXiv cs.AI54 天前
★ 3
WhatIfBench：评估大模型反事实推理的幻觉
WhatIfBench 是一个开放域、开放形式、长程反事实因果推理的诊断基准，包含 220 个问题。PRISM 框架将解释转换为语义因果图并评估。最强模型仅得 64.62%，显示反事实推理远未饱和，存在因果缺口和前提漂移。
arXiv cs.AI63 天前