因果推理

研究者提出一种显式可审计的因果推理框架，通过目标感知因果图构建策略，提升大模型在干预性问答中的推理透明度和鲁棒性。

研究团队将世界模型与因果技术结合，为具身智能系统赋予更接近真实世界的推理与决策能力，标志着AI在理解与交互环境方面取得重要进展。

研究人员提出基于提升推理的因果推断算法LCI，通过利用概率图模型中的不可区分性，在关系型领域高效计算因果效应，相比传统方法大幅提升推理速度。

研究者提出基于因果归因的剪枝方法CAP，通过评估注意力头对推理任务的实际贡献进行精细权重剪枝，在保持模型性能的同时显著降低计算成本。