arXiv cs.AI· Zhifeng Yang, Wei Luo, Yongjian Chen, Shiqi Ou·· 14 小时前AI 评分38
从文档布局到因果拓扑：面向时序因果推理的端到端架构
From Document Layout to Causal Topology: An End-to-End Architecture for Temporal Causal Reasoning
AI 导读
研究提出时序因果推理智能体 TCR-Agent 与时序因果推理模型 TCR-Former 两种架构，将文档布局重排序思路迁移为因果拓扑。在 TempoCausal 基准上，TCR-Former 准确率比 SOTA 方法高 16.5%，仅约 8.6B 参数即超过 GPT-5.4 和 DeepSeek-V3.2。
正文 · AI 翻译
摘要：大型语言模型（LLM）在时间推理中普遍缺乏深层因果推理能力。受文档布局重排序启发，本文提出从离散叙事到因果拓扑的范式转变。它构建了两种架构：一种免训练的神经符号框架——时间因果推理智能体（TCR-Agent），通过外部因果图实例化和符号干预引擎实现可解释的因果推演与反事实截断；以及一种端到端模型——时间因果推理前驱（TCR-Former），通过因果拓扑注意力掩码和时间跨度偏置将这些机制内化到 Transformer 注意力空间中。在 TempoCausal 基准上的实验表明，TCR-Agent 全面超越现有免训练基线。同时，TCR-Former 的准确率比最先进（SOTA）方法高出 16.5%，仅以约 8.6B 参数就超越了 GPT-5.4 和 DeepSeek-V3.2 等大规模模型。进一步分析揭示了现有方法中的结构-推理脱节现象：外部符号约束和思维链推理可以改进推理步骤，却无法增强深层因果推演能力。通过将时间因果推理能力内化到模型中，TCR-Former 有效弥合了这一差距，为复杂推理场景提供了高效可靠的端到端基础。
| 评论： | 被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.34094 [cs.AI] |
| （或 arXiv:2610.34094v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34094 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shiqi Ou [查看邮箱]
[v1]
2026 年 10 月 25 日星期日 06:45:49 UTC（8,761 KB）
来源：arXiv cs.AI · arxiv.org