ACRE: Abstract Causal REasoning Beyond Covariation
UCLA（加州大学洛杉矶分校）
因果归纳，即，识别导致变量之间可观察关系的不可观察机制在现代科学发现中发挥了关键作用，特别是在只有稀疏和有限数据的情况下。人类，甚至是幼儿，在各种环境中都能令人惊讶地很好地诱导出因果关系，尽管这是众所周知的困难。然而，与人类认知的普遍特征相反，缺乏一个诊断基准来衡量现代人工智能（AI）系统的因果归纳。因此，在这项工作中，我们介绍了抽象因果推理（ACRE）数据集的系统评估当前的视觉系统的因果归纳。出于对Blicket实验中因果发现的研究流的动机，我们在独立场景或干预场景中使用以下四种类型的问题查询视觉推理系统：直接，间接，屏蔽关闭和向后阻塞，有意超越通过协变诱导因果关系的简单策略。通过分析这个测试平台上的视觉推理架构，我们注意到纯神经模型在其机会水平性能下倾向于联想策略，而神经符号组合在向后阻塞推理中挣扎。这些不足要求未来的研究模型具有更全面的因果归纳能力。
2021-03-26 cs.AI cs.CV cs.LG
S-MARC: Causal Streaming Reasoning for Full-Duplex Conversational Behavior Modeling
University of California, Berkeley（加州大学伯克利分校）；Zhejiang University（浙江大学）；South China University of Technology（华南理工大学）
提出S-MARC框架，通过流式因果层次建模意图到动作路径，预测高层交际功能和低层交互行为，并构建高质量语料库，实现全双工对话中的鲁棒行为检测与可解释推理。
2026-05-28 cs.AI cs.CL
CausalDS: Benchmarking Causal Reasoning in Data-Science Agents
Department of Statistics University of Michigan（统计学系密歇根大学）
介绍用于评估数据科学智能体因果推理的CausalDS基准，由含观测数据的结构因果模型和合成自然语言故事构成场景，导出跨越Pearl三个层级的任务，联合评估符号因果推理、数据科学等多方面能力。
2026-10-15 cs.AI cs.CL cs.LG
CausalSpatial: A Benchmark for Object-Centric Causal Spatial Reasoning
Johns Hopkins University（约翰霍普金斯大学）
CausalSpatial提出一个基准测试，评估模型在因果空间推理中的能力，揭示当前MLLMs在3D场景中处理‘如果’问题的不足，并提出COW模型以改进基于物理现实的推理。
2026-01-19 cs.CV
DMC-CF: Dynamic Multimodal CounterFactual QA benchmark for Causal Reasoning
Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）；Alibaba Group（阿里巴巴集团）
针对现有因果推理数据集规模有限或基于非真实数据的问题，提出基于真实视频的大规模多模态因果反事实推理基准DMC-CF-Static，并利用动态图干预框架构建动态评估基准DMC-CF-Dynamic，实验表明当前多模态大模型在真实场景下的因果推理能力仍需大幅提升。
2026-05-28 cs.CV
Finding the Trigger: Causal Abductive Reasoning on Video Events
Applied Artificial Intelligence Institute, Deakin University（迪肯大学应用人工智能学院）；Amazon（亚马逊公司）
本文提出视频事件因果溯因推理新任务CARVE，构建配套基准数据集，提出因果事件关系网络CERN来定位根本原因触发事件，实验验证了事件关系学习与交互建模的关键作用，将推动相关研究与应用。
2025-01-16 cs.CV cs.LG
MECD: Unlocking Multi-Event Causal Discovery in Video Reasoning
Shanghai Jiao Tong University（上海交通大学）；Lenovo Research（联想研究院）；AI Lab（人工智能实验室）；China Academic of Electronics and Information Technology（中国电子信息科技研究院）
本文提出多事件因果发现任务与数据集MECD，并设计基于掩码事件预测和因果推断技术的框架，在长视频多事件因果分析上超越GPT-4o和VideoLLaVA。
2024-12-27 cs.CV
The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning
EPFL（洛桑联邦理工学院）；MPI（马克斯·普朗克研究所）；ETH Zürich（苏黎世联邦理工学院）
本文是一篇关于常识因果性的综合综述，系统梳理了分类学、基准、获取方法、定性推理和定量测量，综合200余篇文章，为学者提供概述与未来方向。
2024-08-29 cs.CL
CRAFT: Causal Responsibility and Failure Tracing in Medical Vision Language Models
Hunan University（湖南大学）；University of Hong Kong（香港大学）
针对医学视觉语言模型中的仲裁失败和刹车失败，提出CRAFT方法，通过因果头定位与干预，实现精准识别和纠正，提升诊断安全性。
2026-10-30 cs.AI cs.CV
Contrastive Reasoning Alignment: Reinforcement Learning from Hidden Representations
Northwestern University（西北大学）；University of Michigan（密歇根大学）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出了一种基于对比学习和强化学习的框架CRAFT，通过优化隐藏状态空间中的目标来提升对抗攻击的鲁棒性，核心贡献是通过隐藏空间的几何结构实现推理层面的安全对齐。
2026-05-19 cs.AI cs.CL cs.LG
KG-CRAFT: Knowledge Graph-based Contrastive Reasoning with LLMs for Enhancing Automated Fact-checking
Universidade Federal Fluminense（联邦Fluminense大学）；Amazon（亚马逊）；City St George’s, University of London（伦敦大学圣乔治学院）
KG-CRAFT通过结合知识图谱和大语言模型，提升自动事实核查的准确性与性能。
2026-01-27 cs.AI cs.CL
CRAFT: LLM-Based Iterative Refinement for Temporal Reasoning over Clinical Narratives
Stevens Institute of Technology（史蒂文斯理工学院）；Genesis Research Group（创世纪研究集团）；New Jersey Institute of Technology（新泽西理工学院）
针对临床叙事中时间锚点稀疏导致的症状轨迹重建难题，提出基于大语言模型的CRAFT框架，通过生成器与约束验证器迭代优化，在MedTempo基准上提升了时间排序准确率。
2026-08-14 cs.AI cs.CL cs.IR
CreDes: Causal Reasoning Enhancement and Dual-End Searching for Solving Long-Range Reasoning Problems using LLMs
School of Computer and Communication Engineering（计算机与通信工程学院）；University of Science and Technology Beijing（北京科技大学）
本文提出CreDes框架，通过因果关系增强保证推理与状态转移一致，并以双端搜索缩小长程搜索空间，从而提升LLM组合优化任务的准确率与效率。
2024-10-02 cs.AI cs.CL
CausalARC: Abstract Reasoning with Causal World Models
CausalARC通过因果世界模型进行低数据和分布外推理，结合原则性数据增强提供少量示例反馈，用于评估语言模型在抽象推理、反事实推理、程序合成和因果发现中的表现。
2026-03-19 cs.AI cs.CL cs.LG
CausalEval: Towards Better Causal Reasoning in Language Models
UC San Diego（加州大学圣地亚哥分校）；UMass Amherst（马萨诸塞大学阿默斯特分校）；Georgia Tech（佐治亚理工学院）；UCLA（加利福尼亚大学洛杉矶分校）；Arizona State University（亚利桑那州立大学）；Michigan State University（密歇根州立大学）；Purdue University（普渡大学）；University of Arizona（亚利桑那大学）
本文提出 CausalEval，系统综述并实证评估语言模型在因果推理任务中的方法、表现与增强路径，指出未来研究方向。
2025-02-17 cs.AI cs.CL
From Prompts to Tokens: Internalizing Causal Supervision in Vision-Language Model for Multi-Image Causal Reasoning
University of Science and Technology of China（中国科学技术大学）
提出BridgeVLM，通过从多图像输入诱导因果图并转换为因果标记，注入LLM解码器进行因果消息传递，显著提升多图像因果推理性能。
2026-06-11 cs.AI cs.CV
CSCE: Boosting LLM Reasoning by Simultaneous Enhancing of Causal Significance and Consistency
School of Computer and Communication Engineering（计算机与通信工程学院）；University of Science and Technology Beijing（北京科技大学）
针对大语言模型链式推理中存在的因果幻觉问题，本文提出非链式推理框架CSCE，通过定制损失函数增强因果显著性与一致性，将级联推理改为一次性输出，同时提升了推理成功率与速度。
2025-03-24 cs.AI cs.CL
InfoCausalQA:Can Models Perform Non-explicit Causal Reasoning Based on Infographic?
本研究提出InfoCausalQA基准，通过定量与语义因果推理任务评估视觉语言模型基于信息图的因果推断能力，发现当前模型表现显著低于人类，凸显多模态AI在因果推理上的不足。
2025-08-13 cs.AI cs.CL
Multimodal Causal Reasoning Benchmark: Challenging Vision Large Language Models to Discern Causal Links Across Modalities
School of Computer Science, The University of Sydney（计算机科学学院，悉尼大学）
本文提出多模态因果推理基准MuCR，利用合成孪生图像和文本对挑战MLLMs，发现其跨模态推理弱于纯文本，并开发VcCoT策略通过突出视觉线索有效增强该能力。
2025-05-26 cs.AI cs.CV
ReCo: Reliable Causal Chain Reasoning via Structural Causal Recurrent Neural Networks
Huawei Cloud（华为云）
针对因果链推理中的阈值效应与场景漂移问题，提出ReCo框架，利用结构因果循环神经网络（SRNN）估计外生变量间的矛盾，显著提升了模型在中英文数据集及下游任务上的表现。
2022-12-16 cs.AI cs.CL
CausalVLBench: Benchmarking Visual Causal Reasoning in Large Vision-Language Models
Department of Electrical Engineering and Computer Science University of Arkansas（电气工程与计算机科学系 奎萨克大学）
本文提出CausalVLBench基准，包含因果结构推断、干预目标预测和反事实预测三个任务，评估开源LVLMs在视觉因果推理上的能力，揭示其优缺点并指引改进方向。
2025-10-10 cs.AI cs.CL cs.LG
ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering
Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（新加坡高性能计算研究所，科技研究局）；Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（科技研究局前沿人工智能研究中心，新加坡）；College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算与数据科学学院）
针对现有因果关系视频问答模型的问题，提出新的模块化范式，将因果推理与答案生成解耦，引入自然语言因果链，介绍两阶段架构及生成因果链方法，新指标，实验证明该方法性能优越。
2026-07-07 cs.AI cs.CL cs.CV
Causal Interventions on Causal Paths: Mapping GPT-2's Reasoning From Syntax to Semantics
University of Southern California（南加州大学）
本研究针对大语言模型自然语言推理难以通过电路解析的问题，以GPT-2 small为对象开展因果句干预实验，发现因果句法定位在前2-3层、深层特定头关注语义关系，为表征LLM因果推理提供了初步依据。
2024-10-28 cs.AI cs.CL
Assessing LLM Reasoning Through Implicit Causal Chain Discovery in Climate Discourse
Department of Computer Science, KU Leuven（卢森堡大学计算机科学系）；Institute of Argumentation, Linguistics, and Semiotics (IALS)（论证、语言学与象征学研究所）
本文通过隐含因果链发现任务评估 LLM 的因果推理能力，发现其生成的因果步骤数量和粒度存在差异，但主要依赖关联模式匹配而非真实因果推理。
2026-03-18 cs.AI cs.CL
Unveiling Causal Reasoning in Large Language Models: Reality or Mirage?
Intelligent Game and Decision Lab（智能游戏与决策实验室）；National University of Defense Technology（国防科技大学）；University of Melbourne（墨尔本大学）；University of Sydney（悉尼大学）；Hong Kong Baptist University（香港 Baptist 大学）
本文揭示LLMs仅能进行浅层一级因果推理而缺乏类人二级推理能力，提出结合通用知识与目标导向提示的G^2-Reasoner方法，显著提升了LLMs在新颖和反事实语境下的因果推理能力。
2025-06-26 cs.AI cs.CL cs.LG
Nuance Matters: Probing Epistemic Consistency in Causal Reasoning
EPFL（洛桑联邦理工学院）；University of Waterloo（滑铁卢大学）
本文提出因果认知一致性概念及三项新度量指标，通过对21个主流LLMs的实证研究发现现有模型难以在因果推理中保持对中间因素极性和强度的自洽判断，并探索了利用内部token概率作为辅助手段。
2024-08-27 cs.AI cs.CL
COLD: Causal reasOning in cLosed Daily activities
Indian Institute of Technology Kanpur (IIT Kanpur)（印度理工学院坎普尔分校）
为评估LLM的类人因果推理能力，本文提出COLD框架，基于日常活动构建约900万条因果查询，评估发现LLM在简单日常活动的因果推理上仍具挑战，并通过后门标准探索其因果推理能力。
2024-11-29 cs.AI cs.CL cs.LG
A Survey on Enhancing Causal Reasoning Ability of Large Language Models
University of Technology Sydney（悉尼科技大学）
本文系统综述了增强大型语言模型因果推理能力的研究，梳理了关键挑战，提出新分类法对现有方法进行归类比较，并总结了评估基准与未来方向。
2025-03-12 cs.AI cs.CL
Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学）
针对无上下文干预问答，提出因果审计框架，通过目标感知因果图构建和路径级因果证据聚合机制，将因果推理结构化，实验证明该框架优于现有方法，能提供可解释且可审计的推理痕迹。
2026-07-20 cs.AI
COLA: Contextualized Commonsense Causal Reasoning from the Causal Inference Perspective
HKUST（香港科技大学）；Tencent AI Lab（腾讯人工智能实验室）；University of Pennsylvania（宾夕法尼亚大学）；NVIDIA（英伟达）
本文提出情境化常识因果推理任务及零样本框架COLA，利用时间性和协变量平衡消除混杂效应，实验证明其优于基线。
2023-05-09 cs.AI cs.CL
Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出QRData基准，用411个数据题和290个纯文本题评估大语言模型的统计与因果推理能力，发现GPT-4准确率仅58%，模型难以同时运用因果知识与数据。
2024-06-09 cs.AI cs.CL
Mitigating Hallucinations in Large Language Models via Causal Reasoning
针对大型语言模型（LLMs）的逻辑不一致幻觉问题，提出因果DAG构建与推理（CDCR-SFT）监督微调框架，通过显式建模变量级因果关系提升推理能力，在CLADDER上准确率超人类且在HaluEval上减少幻觉。
2025-11-12 cs.AI cs.CL cs.LG
Compositional Causal Reasoning Evaluation in Language Models
Harvard University（哈佛大学）；Microsoft Research Cambridge（微软研究院剑桥）
本文提出组合因果推理（CCR）统一视角与评估框架，系统测试LLama、Phi和GPT系列模型，发现除o1外错误随因果路径复杂度上升。
2025-06-10 cs.AI cs.CL cs.LG
Towards Fine-grained Causal Reasoning and QA
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；Delft University of Technology（代尔夫特理工大学）；University College London（伦敦大学学院）
理解因果关系是NLP应用成功的关键，特别是在高风险领域。因果关系来自各种角度，如使能和预防，尽管它们很重要，但在文献中基本上被忽视了。本文介绍了一种新的细粒度因果推理数据集，并提出了一系列新的预测任务，如因果关系检测，事件因果关系提取和因果QA。我们的数据集包含多句样本中的25K因果事件对和24K问答对的人类注释，其中每个事件对都可以有多个因果关系。通过广泛的实验和分析，我们表明，我们的数据集中的复杂关系带来了独特的挑战，最先进的方法在所有三个任务，并突出了潜在的研究机会，特别是在开发“混沌思维”的方法。
2022-04-15 cs.AI cs.CL cs.LO
Is ChatGPT a Good Causal Reasoner? A Comprehensive Evaluation
Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中心）；Harbin Institute of Technology（哈尔滨工业大学）
本研究首次全面评估ChatGPT的因果推理能力，发现其推理不佳但解释良好，存在严重幻觉，且受提示词、问题形式及事件特征影响，并提供了代码链接。
2023-10-12 cs.AI cs.CL
Cross-Modal Causal Relational Reasoning for Event-Level Visual Question Answering
Sun Yat-sen University（中山大学）
针对事件级视频问答中的跨模态虚假相关与因果动态建模不足，本文提出 CMCIR 框架，通过因果干预、时空交互和自适应特征融合提升鲁棒推理性能。
2023-06-07 cs.AI cs.CV
Enhancing Causal Reasoning in Large Language Models: A Causal Attribution Model for Precision Fine-Tuning
University of California, Irvine（加州大学尔湾分校）；North Carolina State University（北卡罗来纳州立大学）；Amazon（亚马逊公司）
本文提出一种因果归因模型，通过精确微调提升大语言模型的可解释性和因果推理能力，展示了模型在不同领域中的因果发现任务中的有效性。
2026-05-21 cs.AI cs.CL cs.LG
Uncovering Hidden Correctness in LLM Causal Reasoning via Symbolic Verification
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（智能系统研究所）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
本文提出DoVerifier，通过符号验证揭示LLM因果推理中的隐藏正确性，提升因果推理评估的严谨性与信息量。
2026-01-29 cs.AI
CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching
提出CausalFlip基准，通过构建语义相似但因果答案相反的问题对和噪声前缀评估，揭示LLM依赖语义匹配而非因果推理，并验证内化因果推理方法可提升因果基础。
2026-06-29 cs.AI
METER: Evaluating Multi-Level Contextual Causal Reasoning in Large Language Models
College of Computer Science, Sichuan University（四川大学计算机学院）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）；Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China（中国教育部机器学习与产业智能工程研究中心）
本文提出METER基准，系统评估大型语言模型在因果阶梯的三个层级上的表现，发现随着任务层级升高，模型能力显著下降，揭示了模型在因果推理中的两大失效模式。
2026-04-16 cs.AI cs.CL
Eliciting Causal Abilities in Large Language Models for Reasoning Tasks
BNU-HKBU United International College（北师港浸大）；Hong Kong Baptist University（香港浸会大学）；Beijing Normal University at Zhuhai（北京师范大学珠海校区）；The Chinese University of Hong Kong（香港中文大学）
本文提出SCIE方法，通过从提示指令到答案中激发LLMs的因果推断能力来增强推理性能，结合OR原则实现低成本可重用性，实验证明其有效提升推理性能并降低训练成本。
2024-12-19 cs.AI cs.CL
Causal Reasoning in Pieces: Modular In-Context Learning for Causal Discovery
Leiden Institute of Advanced Computer Science (LIACS)（莱顿先进计算机科学研究所）
针对大语言模型因果推理难题，本研究测试前沿推理模型在因果发现任务上的表现，提出受思维树/链启发的模块化上下文流水线，实现近三倍性能提升，为跨领域因果发现提供可推广框架。
2025-07-31 cs.AI
Neuro-Symbolic Integration Brings Causal and Reliable Reasoning Proofs
The Chinese University of Hong Kong（香港中文大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）；Shanda AI Research Institute（盛大人工智能研究院）
针对LLM复杂推理中准确性与可解释性的权衡，提出将Prolog搜索日志转为可读证明的神经符号框架，在逻辑与算术数据集上显著提升答案与证明准确性。
2025-02-24 cs.AI cs.CL
CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning
Microsoft（微软）；Yonsei University（延世大学）；MIT（麻省理工学院）
进行因果推理和反事实推理的能力是人类智力的核心属性。能够执行这些类型的推理的决策系统具有更普遍和更可解释的潜力。模拟通过提供系统地改变参数（例如，混杂因素），并生成反事实情景情况下的结果示例。然而，在多智能体场景中模拟复杂的时间因果事件，例如存在于驾驶和车辆导航中的事件，是具有挑战性的。为了帮助解决这个问题，我们提出了一个高保真的仿真环境，旨在开发算法的因果关系发现和反事实推理的安全关键的上下文中。我们工作的一个核心组成部分是引入\textit{agency}，以便使用高级定义来定义和创建复杂的场景。然后，车辆与代理一起运行以完成这些目标，这意味着只有在必要时才需要控制低级别的行为。我们使用三种最先进的方法进行实验，以创建基线并突出显示此环境的启示。最后，我们强调了未来工作的挑战和机遇。
2021-06-25 cs.AI cs.CV cs.LG
Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds
NAOInstitute, University of Auckland（奥克兰大学NAO研究所）；Jožef Stefan Institute（约热夫·斯特凡研究所）；University of Twente（特文特大学）
针对大语言模型因果推理能力不足及反事实评估受限的问题，提出Causal Cartographer框架，通过图检索增强生成智能体构建因果知识库，结合受因果约束的反事实推理智能体，提升LLM因果推理鲁棒性并降低成本与虚假相关性。
2025-05-20 cs.AI cs.CL cs.LG
Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs
CFAR（因果推理研究所）；IHPC（信息技术研究所）；Agency for Science, Technology and Research (A*STAR)（科技研究局）；Nanyang Technological University（南洋理工大学）
提出CausalPhys基准（含3000+视频/图像问题及因果图），并设计因果图度量评估VLM推理，进一步提出因果理性微调（CRFT）提升推理准确性与可解释性。
2026-06-04 cs.AI cs.DB
C2-Faith: Benchmarking LLM Judges for Causal and Coverage Faithfulness in Chain-of-Thought Reasoning
SPARAI
提出C2-Faith基准，通过因果和覆盖两个维度评估LLM评判者对思维链推理过程忠实性的判断能力，发现模型在错误定位和覆盖评分上存在显著不足。
2026-06-15 cs.AI cs.CL
Causal Reasoning for Algorithmic Fairness
New York University（纽约大学）；University of Surrey（萨里大学）；Alan Turing Institute（艾伦图灵研究所）；University of Warwick（华威大学）；University College London（伦敦大学学院）
在这项工作中，我们认为因果推理的重要性，创造公平的决策算法。我们给现有的方法来公平的审查，描述因果关系的理解因果关系的方法所需的工作，认为为什么因果关系是必要的任何方法，希望是公平的，并给出了详细的分析，最近的许多方法，以因果关系为基础的公平。
2018-05-15 cs.AI cs.CY
Automated Storytelling via Causal, Commonsense Plot Ordering
自动故事情节生成是生成连贯的情节事件序列的任务。情节事件之间的因果关系被认为可以增加故事和情节连贯性的感知。在这项工作中，我们介绍了软因果关系的概念，从常识推理推断的因果关系。我们展示了C2PO，一种叙事生成的方法，通过因果关系，常识情节排序来实现这一概念。使用人类参与的协议，我们评估我们的系统对基线系统与不同的常识推理推理和归纳偏见，以确定软因果关系感知的故事质量的作用。通过这些研究，我们还探讨了跨故事类型的常识规范的变化如何影响对故事质量的看法的相互作用。
2020-12-30 cs.AI cs.CL
CIP: A Plug-and-Play Causal Prompting Framework for Mitigating Hallucinations under Long-Context Noise
Beijing University of Posts and Telecommunications（北京邮电大学）；Northwestern University（西北大学）
CIP通过因果推理框架提升大语言模型的可解释性、稳定性和效率，有效缓解长上下文噪声下的幻觉问题。
2025-12-12 cs.AI cs.CL
When Models Learn to Ask Why: Adaptive Causal Reasoning for Trustworthy Medical Vision-Language Models
The Ohio State University（俄亥俄州立大学）；Hunan University（湖南大学）；Amazon（亚马逊）
提出MedCausalX框架，通过因果推理链、自适应反射架构和轨迹级因果校正，解决医疗VLM中的虚假相关和推理不一致问题，显著提升诊断一致性和减少幻觉。
2026-05-28 cs.AI
Algorithms for Causal Reasoning in Probability Trees
DeepMind（深度思考）
概率树是因果生成过程中最简单的模型之一。它们具有清晰的语义，并且-与因果贝叶斯网络不同-它们可以表示特定于上下文的因果依赖关系，这对于因果归纳是必要的。然而，它们很少受到AI和ML社区的关注。在这里，我们提出了具体的算法，因果推理的离散概率树，涵盖了整个因果层次结构（协会，干预和反事实），并操作任意命题和因果事件。我们的工作扩展域的因果推理的一个非常一般的一类离散随机过程。
2020-11-12 cs.AI cs.LG
Correlation or Causation: Analyzing the Causal Structures of LLM and LRM Reasoning Process
本文通过结构因果模型系统分析LLMs与LRMs的推理过程，发现RLVR训练能减少虚假相关、强化因果结构，从而提升推理忠实性并减少偏见。
2025-09-22 cs.AI
CRAB: Assessing the Strength of Causal Relationships Between Real-world Events
EPFL（洛桑联邦理工学院）
本研究提出用于评估现实叙事事件因果理解能力的新基准CRAB，含2700对事件细粒度标注，测试发现大语言模型在该任务表现不佳，复杂因果结构下推理能力更弱，相关资源已开源。
2023-11-07 cs.AI cs.CL
