更好地思考三次：通过双反事实一致性进行因果推理学习
核理论
2026-02-20 v1 高能天体物理现象
摘要
尽管大型语言模型(LLM)在推理基准测试中表现出色，但在面对反事实问题时仍显脆弱，这表明其因果推理能力存在薄弱环节。虽然最近的工作表明，标记的反事实任务可作为LLM因果推理的基准，但规模化生产此类数据受限。本文引入双反事实一致性(DCC)，一种轻量级推理时方法，用于衡量和引导LLM进行因果推理的能力。无需标记反事实数据，DCC验证模型执行两个重要因果推理要素的能力：因果干预和反事实预测。使用DCC，我们评估了各种主导LLM在广泛推理任务和干预下的因果推理能力。此外，我们展示了DCC作为训练免费的测试时拒绝抽样准则的有效性，表明它可以直接改进多个模型家族在推理任务上的表现。
引用
@article{arxiv.2602.16786,
title = {From $\chi$EFT to Multi-Region Modeling: Neutron star structure with a polytropic extension of $\chi$EFT and MUSES Calculation Engine multi-layer modeling},
author = {Federico Nola},
journal= {arXiv preprint arXiv:2602.16786},
year = {2026}
}
备注
10 pages, 6 figures