★ 3
研究质疑 LLM 在 CLadder 上的因果推理能力
论文重新审视 LLM 在因果推理基准 CLadder 上的高分表现，发现其生成器在数据中嵌入了高度可预测的浅层模式。随机森林等简单模型训练后同样表现良好，且商业 LLM 在删除关键推理文本后性能几乎不变。作者认为高分更可能源于利用浅层模式，而非真正的形式因果推理。
arXiv cs.AI3 天前
#因果推理
共 12 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
ACED-Bench：评估 LLM 智能体获取因果证据能力
论文提出 ACED-Bench，一个神经符号基准，用于评估 LLM 智能体能否主动设计实验、解读有限证据并做出因果决策。基准将自然语言场景与隐藏概率图模型分离，主榜 ACED-CORE 含 180 项任务，评估七个当代 LLM 与两个早期模型，发现智能体常在错误干预、丢失证据或证据充分后仍不停止等…
arXiv cs.AI19 天前
★ 3
研究：因果世界模型何时助力模块化 LLM 智能体
论文研究模块化 LLM 智能体中因果世界模型的作用条件。作者提出 FedCausalCompose 框架，证明观测世界模型在未阻断后门路径下存在不可约的干预误差。结果显示因果接口在结构化工具环境中最有效，而在对话与叙事环境中除非有注意力锚点否则常被忽略。
arXiv cs.AI31 天前
★ 3
AGI新战场：谷歌亚马逊激战，中国LimiX-2突围
报道称在AGI竞赛中谷歌与亚马逊等巨头激烈角逐，而中国团队推出的LimiX-2模型表现突出。该模型主打理解数据背后的因果机制，试图在因果推理方向形成差异化竞争力。
量子位44 天前
★ 3
TRACE：用合成奖励训练因果探索推理智能体
论文提出 TRACE 方法，通过向受控模拟器注入隐藏干预并生成观测，为诊断推理提供客观奖励信号，解决复杂数据因果诊断难以验证的问题。在数字广告诊断环境（12 种根因、细粒度细分归因）中，Qwen3.5-35B-A3B 经监督微调从 0.159 提升至 0.637，再用合成奖励强化学习达到 0.75…
arXiv cs.AI53 天前
★ 3
DCFA：双视角因果归因提升多智能体故障推理
DCFA框架结合全局因果依赖图和局部反事实推理，无需训练即可定位LLM多智能体系统中的关键错误。在Who&When基准上，DCFA将步骤级准确率提升最高8.27%，有效应对浅层归因和上下文退化挑战。
arXiv cs.AI56 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
★ 2
TCC-RAG 提出：时序因果链引导 RAG 提升时序问答
针对语义 RAG 难以捕捉多跳因果知识、易引入冗余导致错误推理的问题，论文提出 TCC-RAG，将时序知识图谱重构为多视图因果线索图，构建查询专属时序因果链引导检索，并加入因果证据过滤器。在两个 TKGQA 基准上分别提升 10.72% 与 8.40%，多步时序推理提升达 62.97%。
arXiv NLP3 天前
★ 2
研究：文本挖掘临床因果知识图谱的方向信号审计
论文基于 328,839 份 MIMIC-IV 出院小结，用 LLM 抽取与 UMLS 归一化构建有向候选因果图，并对比共现提升、编码时序与文献佐证三类信号。结果显示编码顺序作为方向信号接近随机，抽取器方向更稳定，因此文本挖掘的临床因果图谱应视为「有 EHR 支持但方向不确定」。在泄漏受控的因果问…
arXiv cs.AI13 天前
★ 2
ECI2D：用可执行因果干预蒸馏自生成上下文示例
论文指出自生成上下文学习（ICL）的观察式过滤存在观察等价问题，忠实因果理由与虚假事后理由难以区分。提出 ECI2D，将语言理由抽象为可执行程序，在逻辑相似样本上施加因果干预（do 算子），仅保留具迁移不变性的示例。在数学、逻辑与常识推理基准上持续优于观察式 ICL，分布偏移时增益超 7 分。
arXiv NLP17 天前
★ 2
arXiv 论文：LALM 音频幻觉黑盒因果审计
研究者提出一种黑盒因果测试，通过 CLAP 相似度定位音频证据区域并用频谱门控移除，在三个大型音频语言模型上验证幻觉成因。结果显示定位消融优于随机移除，但原始检测价值因模型而异；结合空白与语言先验的对比解码可将 Qwen2-Audio 准确率从 57.1% 提升至 71.9%。
arXiv cs.AI21 天前
★ 2
TRACE 框架发布：从因果链追踪真实社交场景情绪
研究者提出 TRACE，一个以认知为导向的情感追踪框架，将情感事件形式化为条件、情感、效果三阶段，并构建 TRACE-Bench 评测多模态模型在真实社交场景中的情感理解。基准包含 646 段视频、3746 组问答，显示模型与人类存在明显差距，且常把表演行为误认为真实情感。配套方法 TRACER …
arXiv cs.AI24 天前
这个主题的相关资产
相关公司阿里巴巴1