预测瓶颈并不发现因果结构（但这里它们实际上做了什么）

仅用于下一步预测的 Mamba 状态空间模型看起来能够通过简单的读出 $S = |W_{out} W_{in}|$ 恢复格兰杰因果结构，早期实验表明该现象在不同架构之间具有普适性，并且在 $p < 10^{-5}$ 时受干预数据的帮助。我们将用于测试该论断的协议——标准化的合成生成器（VAR/Lorenz/CauseMe 风格）、三种干预语义（$do(X=c)$、软噪声、随机强制）、三个真实数据集上的边源头卡以及规模匹配的对照组——打包为可重复使用的否定基准，并依次让该论断通过五个阶段的检验。该方法层面的论断未能通过：(i) 简单的线性瓶颈效果不亚于后者；(ii) 调整后的 Lasso 在合成 CauseMe 风格基准和 Lorenz-96（唯一一个拥有明确真实因果结构的真实基准）上战胜瓶颈，而在后者上经典的 PCMCI 和格兰杰方法紧密聚集，其中瓶颈略逊；(iii) headline 中的干预优势约有 60% 来自样本量混淆，剩余部分在标准 $do(X=c)$ 干预下消失，仅在非标准随机强制方案中存续；(iv) 即便如此，该剩余效应在经典的双变量格兰杰中也能复现，且效果更大——该效应是方法无关的。最终存活下来的只有一个狭窄的特征描述；该基准才是持久的遗产，而上述每个阶段都是其中的一个对照臂。