Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets
New York University(纽约大学)
本文通过噪声-或因果贝叶斯网络评估LLM和人类在因果推理任务中的表现,探讨其因果强度和信念差异。
2025-12-10 cs.AI
Human Attribution of Causality to AI Across Agency, Misuse, and Misalignment
Università degli Studi di Genova(热那亚大学);FAIR IALAB;University of Buenos Aires(布宜诺斯艾利斯大学);University College London(伦敦大学学院)
研究探讨了人类在AI导致有害结果时对因果责任的归因,发现AI代理程度越高,责任归于AI;开发者虽远离事件但被归责高,用户责任降低;分解AI为大语言模型和代理组件时,代理部分更易被归责。
2026-02-17 cs.AI cs.CY
CausalT5k: Diagnosing Refusal and Failure Modes in Trustworthy Causal Reasoning Across Causal Rungs
Stanford University(斯坦福大学)
提出CTK基准,通过5,147个案例诊断大语言模型在因果推理中的失败模式,包括因果阶梯、陷阱类型、压力敏感性和拒绝质量等标注,揭示聚合准确率隐藏的缺陷。
2026-06-17 cs.AI
ARGORA: Orchestrated Argumentation for Causally Grounded LLM Reasoning and Decision Making
School of EE, KAIST, Daejeon, South Korea(韩国科学技术院电子工程学院);S2W Inc., Pangyo, South Korea(S2W公司)
ARGORA通过构建因果论证图,提升大语言模型在因果推理和决策中的准确性与修正能力。
2026-01-29 cs.AI
Causal-HalBench: Uncovering LVLMs Object Hallucinations Through Causal Intervention
针对大型视觉语言模型因共现偏差产生虚假相关性引发物体幻觉的问题,本文构建结构因果模型,开发含反事实样本与因果指标的Causal-HalBench基准,评估发现主流模型均存在不同程度的该类脆弱性。
2025-11-13 cs.AI
When Helpfulness Overrides Causal Caution: Context-Dependent Suppression and Recovery in LLMs
Mitsubishi Research Institute, Inc.(三菱电机研究所);Kobe University(北九州市立大学)
研究LLM从学术到实践咨询语境中因果谨慎的系统性抑制,发现有用性导向响应模式导致因果谨慎表达大幅下降,而自纠正提示可有效恢复。
2026-06-24 cs.AI cs.CY
Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows
Carroll School of Management, Boston College(波士顿学院卡罗尔管理学院);Columbia Business School, Columbia University(哥伦比亚大学哥伦比亚商学院)
该研究针对长上下文金融分析中存在的检索-整合缺口,通过实验发现工作流架构会影响LLMs将检索到的风险披露信息整合至投资判断的效果,指出AI分析师表现由模型能力与工作流架构共同决定。
2026-08-26 cs.AI cs.CL
Large language models exhibit unreliable updating of clinical judgment as patient evidence evolves
University of Minnesota(明尼苏达大学)
本研究通过重症监护轨迹评估发现,LLMs在临床判断更新中不可靠,存在对恶化证据过度反应及先前信念偏差,提示无法通过提示修复,并引入EVLU指标揭示可靠性-覆盖率权衡。
2026-10-05 cs.AI cs.CL
CLEVRER-Humans: Describing Physical and Causal Events the Human Way
MIT(麻省理工学院);Stanford University(斯坦福大学)
针对现有物理因果推理基准多样性不足且与人类判断不符的问题,提出带人类标注的CLEVRER-Humans视频推理数据集,通过迭代事件完形任务构建因果事件图并利用神经语言模型增强数据,基线实验显示其挑战性。
2025-05-26 cs.AI cs.CL cs.CV
From Causal Plausibility to Causal Reliability: Evaluating LLMs as Calibrated Direct Causal-Edge Classifiers
Texas A&M University-Corpus Christi(德克萨斯农工大学科珀斯克里斯蒂分校);BITS Pilani Goa(戈亚斯 pilani Bits 大学);Mississippi State University(密西西比州立大学);Northern Illinois University(北伊利诺伊大学);Texas Christian University(得克萨斯基督教大学)
本研究评估12个指令微调开放权重LLM作为直接因果边分类器的可靠性,发现其判断过度预测、置信度不可靠,仅跨提示/模型一致性更优,建议将其作为软因果先验来源而非因果结构直接证据。
2026-08-26 cs.AI cs.LG stat.ME
Combining the Causal Judgments of Experts with Possibly Different Focus Areas
Cornell University(康奈尔大学)
在许多现实世界中,决策者必须结合不同专家提供的信息,以决定一个有效的政策。Alrajeh,Chockler和Halpern [2018]展示了如何组合兼容的因果模型,对于两个模型中出现的变量,专家们同意因果结构。在这项工作中,我们展示了因果模型如何结合在专家可能不同意的情况下,由于具有不同的重点领域出现在两个模型中的变量的因果结构。我们提供了一个新的正式定义的兼容性模型在这种情况下,并显示如何兼容的模型可以结合起来。我们还考虑了确定模型是否兼容的复杂性。我们相信,在这项工作中定义的概念是直接相关的许多实际的决策方案,出现在自然,社会和医学科学设置。
2020-05-20 cs.AI
Large Language Models are Effective Priors for Causal Graph Discovery
University College London(伦敦大学学院);University of Bologna(博洛尼亚大学)
本研究提出评估LLM因果判断的度量标准,研究提示设计以指定结构先验,并整合LLM先验到图发现算法,提升常识基准性能,尤其改善边方向性判断。
2024-05-22 cs.AI cs.LG
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
AGI Requires a Coordination Layer on Top of Pattern Repositories
Department of Computer Science, Stanford University(斯坦福大学计算机科学系)
本文提出大型语言模型(LLM)并非AGI的死胡同,而是缺少系统2协调层,通过UCCT和RCA实现语义锚定与因果验证,并设计MACI多智能体协调栈,实验表明自适应控制优于静态提示。
2026-05-24 cs.AI cs.LG
Safety Paradox: How Enhanced Safety Awareness Leaves LLMs Vulnerable to Posterior Attack
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学)
本文揭示安全对齐增强的LLM因内部安全评估能力而面临后验攻击漏洞,通过实验和理论分析证明安全判断能力越强越易被利用,并提出因果干预验证。
2026-09-29 cs.AI
Combining Experts' Causal Judgments
Imperial College London(帝国理工学院);Cornell University(康奈尔大学)
考虑一个政策制定者,他想决定采取何种干预措施来改变目前不受欢迎的局面。决策者有一个专家团队,每个人都对影响结果的不同因素之间的因果关系有自己的理解。决策者对专家的意见有不同程度的信任。她想综合他们的意见,以决定最有效的干预措施。我们正式定义了有效干预的概念,然后考虑如何将专家的因果判断结合起来,以确定最有效的干预。我们定义了一个概念,两个因果模型是\emph{compatible},并显示如何兼容的因果模型可以合并。然后,我们使用它作为组合专家因果判断的基础。我们还提供了一个定义的分解因果模型,以满足模型不兼容的情况下。我们说明了我们的方法在一些现实生活中的例子。
2020-05-20 cs.AI cs.LG
Evaluating computational models of explanation using human judgments
University of California at Berkeley(加州大学伯克利分校)
我们评估四个计算模型的解释贝叶斯网络模型预测比较,人类的判断。在两个实验中,我们向人类参与者提供因果结构,模型对此做出不同的预测,要么为观察到的事件寻求最佳解释(实验1),要么让参与者为观察到的事件提供解释(实验2)。在两个版本的两个因果结构和两个实验中,我们发现因果解释树和最相关的解释模型比最可能的解释或解释树模型更适合人类数据。我们确定这些模型的优点和缺点,以及它们可以揭示人类的解释。最后,我们提出并行进行计算和心理学解释研究的价值。
2013-09-26 cs.AI
Multi-Agent Causal Discovery Using Large Language Models
Department of Industrial Engineering, Tsinghua University(清华大学工业工程系)
提出多智能体因果发现框架MAC,通过元融合机制结合自主选择SCD算法的辩论编码模块和基于元数据的对抗性辩论模块,在多个基准上取得最优性能。
2026-05-26 cs.AI cs.CL
RAudit: A Blind Auditing Protocol for Large Language Model Reasoning
Stanford University(斯坦福大学)
RAudit通过盲审协议检测大语言模型推理中的问题,揭示了四个导致模型不可靠的机制,挑战了能力与鲁棒性之间的关系。
2026-01-30 cs.AI
Knowledge is Power: Understanding Causality Makes Legal judgment Prediction Models More Generalizable and Robust
Fudan University(复旦大学);Johns Hopkins University(约翰斯·霍普金斯大学);Tsinghua University(清华大学)
本文通过因果结构模型分析法律判决预测模型依赖非因果信息的问题,提出数据层面的CIESAM和模型层面的CASAM两种因果增强方法,在三个法律数据集上取得SOTA性能,证明因果关系是提升模型鲁棒性与泛化性的关键。
2023-04-18 cs.AI cs.CL
MaSCoD: A Multi-Agent Framework for Structural-Context-Guided Candidate Causal Graph Generation
SCSK Corporation(SCSK株式会社)
MaSCoD通过多智能体框架在直接边判断前组织候选变量和结构模式,减少因果图生成中的关系遗漏,实验表明该方法能提升召回率和F1分数。
2026-09-18 cs.AI
Soft Measures for Extracting Causal Collective Intelligence
Michigan State University(密歇根州立大学);Two Six Technologies;University of South Alabama(南阿拉巴马大学);SIFT
本文提出用大语言模型自动提取模糊认知图,并设计基于图的软相似性度量,通过Elo评分验证其与人类判断的相关性,指出需开发更贴合FCM细微差别的度量方法。
2024-09-27 cs.AI cs.CL cs.CY
Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
University of California, San Francisco(加利福尼亚大学旧金山分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of Washington, Seattle(华盛顿大学西雅图分校)
本研究提出专家引导g计算法(egg-computation),结合专家判断与LLM技术,用于估计医院干预措施对平均住院时长的因果效应,在模拟和真实医院数据中表现优于传统方法。
2026-08-12 cs.AI stat.AP stat.ME
Ideological Bias in LLMs' Economic Causal Reasoning
Graduate School of Data Science, KAIST(韩国科学技术院数据科学研究生院);College of Business, KAIST(韩国科学技术院商学院);School of Computing, KAIST(韩国科学技术院计算机学院);Division of Social Science, HKUST(香港科技大学社会科学系)
研究探讨LLM在经济因果推理中的意识形态偏见,通过扩展EconCausal基准测试,评估20种先进LLM在处理意识形态冲突案例时的准确性,发现LLM在意识形态冲突案例上表现更差,且存在系统性偏倚。
2026-10-15 cs.AI cs.CE cs.CL
Not All Skills Help: Measuring and Repairing Agent Knowledge
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Purdue(普渡大学);NVIDIA(英伟达)
提出ASSAY框架,通过随机掩码测量技能因果贡献,分离技能生成与筛选,在推理时抑制负面技能,显著提升LLM智能体任务完成率。
2026-06-16 cs.AI cs.CL cs.LG
Do Language Models Know What Not to Say? Causal Evidence for Statistical Preemption in LLMs
The University of Hong Kong(香港大学);Stellaris AI Limited(Stellaris AI有限公司)
本研究通过因果干预和竞争性设计,证明大语言模型通过分布竞争(统计预占)习得负面语言知识,与人类可接受性判断高度相关。
2026-05-21 cs.AI cs.CL cs.LG
Spillover-Aware Multi-Value Steering for Pluralistic LLM Alignment
Stony Brook University(石溪大学)
针对多元主义对齐中多值引导的溢出问题,提出基于格拉姆矩阵的零成本修正方法,无需微调即可解耦方向,将净引导效应从+5.9%提升至+14.0%。
2026-09-09 cs.AI
Mechanistic Decoding of Cognitive Constructs in Large Language Models
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文提出基于Representation Engineering的Cognitive Reverse-Engineering框架,分析社会比较嫉妒的认知机制,揭示模型内部对嫉妒的结构化编码,并展示如何机械检测和抑制有毒情绪状态。
2026-04-22 cs.AI cs.CL
Does Topic Sentiment Cause Perceived Ideology? Comparing Human and LLM Annotations in Political News Articles
Columbia University(哥伦比亚大学)
研究主题情感对感知政治意识形态的因果效应,通过比较人类与LLM标注,发现微调GPT-4o-mini产生显著因果效应,归因于捷径学习。
2026-07-15 cs.AI cs.CL cs.LG
MechReasoner: A Simulator and Benchmark for Mechanistic Reasoning in Qualitative Physics
Idiap Research Institute(伊迪亚普研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);University of Manchester(曼彻斯特大学)
本文提出MechReasoner,一个基于合流定性物理的模拟器和基准,用于测试大语言模型在机制推理中的可靠性,实验显示GPT-5.5准确率随机制复杂性增加而显著下降。
2026-09-29 cs.AI
EconCausal: A Context-Aware Economic Reasoning Benchmark for Large Language Models
Graduate School of Data Science, KAIST(韩国科学技术院数据科学研究生院);College of Business, KAIST(韩国科学技术院商学院);Data Science for Humanity Group, MPI-SP(马克斯·普朗克所际数据科学为人类集团);School of Computing, KAIST(韩国科学技术院计算学院);Division of Social Science, HKUST(香港科技大学社会科学系)
提出EconCausal基准,包含从顶级经济金融期刊提取的10,490个上下文标注因果三元组,评估大语言模型在指定上下文中推断因果方向及随上下文变化调整判断的能力。
2026-10-15 cs.AI cs.CL
How RLHF Amplifies Sycophancy
harvard(哈佛大学)
本文研究了RLHF如何通过放大机制增强阿谀行为,提出了一种训练干预措施以减少这种偏差。
2026-10-19 cs.AI
SLOW: Strategic Logical-inference Open Workspace for Cognitive Adaptation in AI Tutoring
Shanghai Institute of Artificial Intelligence for Education(上海人工智能教育研究院)
SLOW框架通过透明决策工作区实现学习者状态推理与教学决策分离,提升个性化、情感敏感性和清晰度。
2026-03-30 cs.AI
The Cognitive Processing of Causal Knowledge
Illinois Institute of Technology(伊利诺伊理工学院);Northeastern Illinois University(东北伊利诺伊大学)
简要描述了使用贝叶斯网络表示、推理和学习因果结构的概率因果图模型。然后,有人认为,这个模型是密切相关的人类如何推理和学习因果结构。它表明,心理学研究折扣(推理关于如何存在的一个原因的影响,使另一个原因不太可能)支持的假设,即人类达到相同的判断算法在贝叶斯网络中进行推理。接下来,皮亚杰的研究表明,人类通过观察与某些学习贝叶斯网络结构的算法所使用的相同的独立性和依赖性来学习因果结构。基于这一指示,因果关系的主观定义。最后,进一步测试这些索赔的准确性的方法进行了讨论。
2013-02-06 cs.AI
Can LLMs Tell Stories Out of Order? A Corpus and Benchmark for Nonlinear Narrative Generation
Islamic University of Technology(伊斯兰科技大学);University of Utah(犹他大学);University of Southern California(南加州大学)
本文构建含83部作品的非线性叙事生成基准,测试19个LLMs,发现其默认更倾向时间顺序故事,遵循无序创作指令的表现仍不及人类。
2026-10-16 cs.AI cs.CL
Inference to the Best Explanation in Large Language Models
University of Galway(戈尔韦大学);Idiap Research Institute(Idiap研究所);University of Manchester(曼彻斯特大学);Insight SFI Research Centre for Data Analytics(Insight SFI数据分析研究中心)
本文提出IBE-Eval框架,结合一致性、简约性、连贯性和不确定性等特征评估大语言模型生成的自然语言解释的合理性,在因果问答任务中以77%准确率优于基线,并与人类判断显著相关,为自动化解释验证提供新机会。
2025-03-02 cs.AI cs.CL
When Ethics and Payoffs Diverge: LLM Agents in Morally Charged Social Dilemmas
ETH Zürich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);Max Planck Institute for Intelligent Systems, Tübingen(图宾根人工智能研究所);University of Toronto(多伦多大学);Vector Institute(向量研究所)
研究道德要求与利润激励冲突时LLMs在道德两难博弈中的行为,引入\msim评估九个模型,通过ATEs估计因果效应、分析推理轨迹,发现模型道德行为有情境脆弱性,揭示了部署风险。
2026-07-27 cs.AI cs.CL cs.CY
World Agent: Can Language Models Keep a World Running?
提出世界智能体任务,将世界生成评估从交付转向持续运行,并构建WorldAgent-Benchmark,通过维护和演绎两轨道衡量模型维持世界运行的能力,发现因果检查是各模型最薄弱环节。
2026-09-29 cs.AI
PhyCheck: Fine-Grained Evidence-Grounded Dataset for Physical Law Understanding in Video-LLMs
Zhejiang University(浙江大学);ZJU-Hangzhou Global Scientific and Technological Innovation Center(浙江大学杭州国际科技创新中心);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出PhyCheck数据集,通过粗粒度、细粒度及诊断子集提升视频大语言模型的物理规律理解,实验证实其训练效果,同时指出当前模型难以整合因果条件的问题。
2026-08-06 cs.AI cs.CV
Combining Probabilistic, Causal, and Normative Reasoning in CP-logic
KU Leuven – University of Leuven(鲁汶大学)
近年来,对实际因果关系的一个适当的正式定义的探索--即,在具体的观察中所体现的因果关系,而不是一般的因果关系,已经达到了令人印象深刻的程度。在某种程度上,这是由于洞察力,这一概念在许多不同的领域,如法律理论,工程,医学,伦理学等,由于这种多样性的应用,一些研究人员已经从一个单一的理想化的定义转移到一个更务实的,基于上下文的帐户的焦点起着根本性的作用。例如,Halpern和Hitchcock最近的工作借鉴了关于人们因果判断的实证研究,提出了一个分级和上下文敏感的因果关系概念。虽然我们赞同他们的许多观察,但他们仅限于定性排序,在更复杂的例子中会遇到麻烦。因此,我们的目标是改进他们的方法,通过使用CP逻辑(因果概率逻辑)的形式语言,以及由当前作者使用它开发的定义实际因果关系的框架。首先,我们将他们的想法重新表述为我们的定量,概率设置,之后,我们修改它以适应更大类的例子。此外,我们介绍了统计和规范的考虑之间的正式区别。
2015-03-03 cs.AI
What Defines Good Reasoning in LLMs? Dissecting Reasoning Steps with Multi-Aspect Evaluation
ETH Zürich, ETH AI Center(苏黎世联邦理工学院,ETH人工智能中心);NAVER AI Lab(NAVER人工智能实验室);University of Tübingen(图宾根大学)
本文提出因果逐步评估(CaSE)方法,从相关性和连贯性两个维度细粒度评估LLM推理步骤,并在新基准上验证,证明其可用于数据策划以提升任务性能。
2025-10-23 cs.AI cs.CL
Human Interventions as Labels: Localizing, Steering, and (Sometimes) Editing the Computations Behind LLM Agent Failures
Università di Pisa(比萨大学)
该研究将人类对LLM智能体故障的干预视为标签,在5个符合条件的模型中定位到提问与行动决策的因果位置,揭示过度提问的两种机制,提出引导方法并验证修复效果。
2026-10-16 cs.AI cs.CL cs.LG
GRPO for Financial Advice Generation: Outperforming Commercial LLMs under CATE Evaluation
Intuit(英图易(金融科技公司))
本研究将金融建议生成建模为强化学习问题,用GRPO微调开放权重大语言模型,经独立于评判者的CATE审计,其毛利润提升约为最强商用基线的两倍,表现优于商用大语言模型。
2026-08-13 cs.AI cs.CL cs.LG
LLM-VA: Resolving the Jailbreak-Overrefusal Trade-off via Vector Alignment
Zhejiang University(浙江大学);Griffith University(格里菲斯大学);Huzhou Institute of Industrial Control Technology(湖州工业控制技术研究院)
LLM-VA通过向量对齐解决大型语言模型在对抗性回应与过度拒绝间的权衡问题,提升安全性和效用。
2026-01-27 cs.AI cs.LG
GPT-4o Lacks Core Features of Theory of Mind
Yale University(耶鲁大学)
研究发现,尽管LLMs在简单ToM任务中表现良好,但其在逻辑等价任务中表现不佳,表明其缺乏一致的理论思维能力。
2026-02-26 cs.AI cs.CL cs.LG
DrugTargetWorld: A Synthetic Biobank for Training and Benchmarking AI Scientists
Stanford University(斯坦福大学);Brown University(布朗大学)
DrugTargetWorld通过程序化生成具有隐藏因果结构的模拟生物库,将药物靶点发现转化为可验证的AI训练与评估问题,但现有代理在区分非因果蛋白上仍存在局限。
2026-10-08 cs.AI
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院);Zhili College, Tsinghua University, Beijing, China(清华大学哲利学院)
本文提出Tree-Query框架,通过多专家LLM和对抗性置信度估计,实现透明、可解释的因果发现,提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
Surprisal and Metaphor Novelty Judgments: Moderate Correlations and Divergent Scaling Effects Revealed by Corpus-Based and Synthetic Datasets
CRC 1646 – Linguistic Creativity in Communication Faculty of Linguistics and Literary Studies(语言创造力在交流中的创造性 CRC 1646 教育学院)
本研究通过语料库和合成数据集探讨惊奇与隐喻新颖性注释的相关性,发现中等相关性和差异性缩放效应,揭示了惊奇在衡量语言创造力方面的局限性。
2026-01-26 cs.AI cs.CL cs.IT
PlaylistEval: Can Video-Language Judges Be Trusted at Day Scale and Beyond?
KAIST(韩国科学技术院)
提出PlaylistEval框架,基于100小时播放列表自动构建视频语言裁判基准,无需人工标注,生成630对需跨集检索的问题,评估17个模型显示前沿裁判准确率仅75.4%,且多模态和集合规模影响判断可靠性。
2026-09-29 cs.AI cs.CL cs.CV
CLEVRER: CoLlision Events for Video REpresentation and Reasoning
Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);DeepMind(深度思维);MIT BCS, CBMM, CSAIL(麻省理工学院脑与认知科学系、大脑、思维与机器中心、计算机科学与人工智能实验室)
从视频中推理时间和因果事件的能力是人类智能的核心。然而,大多数视频推理基准集中在从复杂的视觉和语言输入的模式识别,而不是因果结构。我们研究的互补问题,探索的时间和因果结构背后的视频对象具有简单的视觉外观。为此,我们介绍了视频再现和推理(CLEVRER),诊断视频数据集的系统评估的计算模型在广泛的推理任务的冲突事件。受人类偶然判断理论的启发,CLEVRER包括四种类型的问题:描述性(例如,“什么颜色”)、解释性(“什么是负责的”)、预测性(“接下来会发生什么”)和反事实(“如果”)。我们评估各种国家的最先进的视觉推理模型在我们的基准。虽然这些模型在基于感知的任务(描述性)上表现出色,但它们在因果任务(解释性,预测性和反事实)上表现不佳,这表明因果推理的原则性方法应该结合感知复杂视觉和语言输入的能力,并理解潜在的动态和因果关系。我们还研究了一个甲骨文模型,明确结合这些组件通过符号表示。
2020-03-08 cs.AI cs.CL cs.CV
Sci-VBench: Evaluating Knowledge- and Reasoning-Intensive Video Generation in Science Domains
Zhejiang University(浙江大学);UCAS(中国科学院大学);Tongji University(同济大学);Yale University(耶鲁大学)
该研究推出Sci-VBench基准,评估科学领域视频生成,测试16个模型后发现,视觉真实感提升未转化为科学与因果动态建模能力,且专有模型性能优于开源模型。
2026-08-11 cs.AI cs.CV
Modeling Open-World Cognition as On-Demand Synthesis of Probabilistic Models
Stanford University(斯坦福大学);MIT(麻省理工学院);University of Cambridge(剑桥大学);Harvard University(哈佛大学);McGill University(麦吉尔大学);Yale University(耶鲁大学)
本文提出模型合成架构(MSA),结合语言模型检索与概率程序构建,在开放世界推理任务中比纯语言模型更准确地复现人类判断。
2025-07-18 cs.AI cs.CL cs.PL