因果推理

推荐理由：如果你在搞世界模型或因果推理，这篇把概念理清了，还连上了因果发现的现有工作，值得一看。

推荐理由：它把解释当HP实际原因，用SCM建模输入依赖，搜索算法保证完备且最小，还发现忽视依赖会多出14.9%虚假原因。

推荐理由：这篇论文把因果感知从理论变成了能跑的算法，在德国信用数据集上验证了不同模型对公平性判断的影响，值得搞公平性研究的人看看。

推荐理由：这篇论文用辛普森悖论测试干预数据，发现模型因果方向取决于上下文证据类型而非训练比例，还给了降错方案。

推荐理由：这篇论文讲了算法追责如果不考虑因果，用户容易钻空子，用因果框架能让系统更稳定，值得搞机器学习的人看看。

推荐理由：CausalForge用Lean做因果推理自动研究，能验证证明并审计陈述，比纯LLM评审靠谱。

推荐理由：这篇论文用多球碰撞实验揭示了视频扩散模型做因果推理时的短板，增加去噪步数没用，但自回归和加深网络有效。对做视频生成和物理模拟的人很有启发。

推荐理由：这篇论文用因果干预把LLM的内部报告拆解成抵抗压力和更新证据两个维度，在测试中做到满分，比一般对齐方法更扎实。

推荐理由：这篇论文用因果规则和MSCR证明解决了统计模糊性问题，理论扎实，适合想深入因果AI原理的人看。

推荐理由：这篇论文搞了个新基准 OpenRCA 2.0，用 PAVE 协议给每一步因果关系打标签，发现 LLM 猜对根因容易，但连对因果路径很难——这比只看结果靠谱多了。

推荐理由：想给概率逻辑程序加上精准的反事实推理？DeepSWIP用商WMC方法避免了DeepTwin的内生重复，实测快两倍多，做因果推断的朋友可以看看。

推荐理由：这篇论文把换道预测从统计相关提升到因果推理，用DECI模型实现了95%以上的F1分数，还给出了清晰的因果链解释，做自动驾驶可解释性的一定要看。

推荐理由：李飞飞点出了LLM的物理盲区，做机器人、自动驾驶或空间计算的团队，看完会重新思考模型架构。

推荐理由：做时间序列预测的团队终于有了新思路——不再死磕历史曲线，而是用多agent理解政策、突发事件等因果因素，效果直接降维打击。搞量化、供应链或金融预测的开发者建议点开，看看怎么把文本推理融入预测流程。

推荐理由：做 AI 安全和对齐的研究者值得关注——Anthropic 用“教为什么”的思路解决了智能体误解指令的痛点，直接关系到未来自主系统的可靠性。