arXiv cs.AI· Xinyuan Song, Zekun Cai·· 13 小时前AI 评分32
因果世界模型何时能帮助模块化 LLM 智能体？CausalCompose 框架给出答案
When Do Causal World Models Help Modular LLM Agents
AI 导读
研究者提出 CausalCompose 因果世界模型框架，为模块化 LLM 智能体引入因果结构，实现干预感知的预测与规划。理论分析表明，在证据充分且局部误差可控时，因果组合可弥合纯观测世界模型在干预时产生的不可约误差。多类模块化智能体环境实验显示，引入因果结构能持续提升干预敏感的推理与规划能力，在因果依赖直接支配动作执行的结构化工具使用系统中收益尤为明显。
正文 · AI 翻译
摘要：LLM 智能体越来越多地运行于模块化系统中，其中规划需要协调多个功能组件，而这些组件的动作会因果性地改变下游状态与行为。这使得干预感知预测变得至关重要：智能体不仅要预判接下来可能发生什么，还要预判自身动作会带来什么后果。我们发现，在这类系统中，纯观察式世界模型即便能准确建模观察轨迹，也会在干预时产生不可消除的误差。为弥补这一局限，我们提出 CausalCompose，一个因果世界模型框架，为模块化 LLM 智能体赋予因果结构，以支持干预感知的预测与规划。我们从理论上证明，在证据充分且局部误差受控的条件下，因果组合能够弥合这一干预鸿沟。在多种模块化智能体环境中的实验验证了这些结果：引入因果结构能持续提升干预敏感的推理与规划能力，在因果依赖直接支配动作执行的结构化工具使用系统中收益尤为明显。我们的结果表明了因果世界模型何时能帮助模块化 LLM 智能体：当因果依赖可被识别且可用于规划时。
| 评论： | 审稿中 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.00012 [cs.AI] |
| （或 arXiv:2610.00012v2 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.00012 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zekun Cai [查看邮箱]
[v1]
2026年7月12日星期日 04:03:37 UTC（2,830 KB）
[v2]
2026年10月29日星期四 13:53:05 UTC（3,732 KB）
来源：arXiv cs.AI · arxiv.org