天哪……这篇论文可能是我们今年使用LLM的最重要转变。 “从大型语言模型中提取的大型因果模型。” 它展示了你可以直接从LLM中生成完整的因果模型，而不是近似值，不是感觉，而是真正的因果图、反事实、干预和约束检查结构。 而他们的做法真是疯狂： 而不是训练一个专门的因果模型，他们像科学家一样审问LLM： → 从文本中提取候选因果图 → 让模型检查条件独立性 → 检测矛盾 → 修订结构 → 测试反事实和干预预测 → 迭代直到因果模型稳定 结果是我们从未拥有过的东西： 一个在LLM内部构建的因果系统，利用其自身的潜在世界知识。 在基准测试、合成、真实世界、混乱领域中，这些LCM超越了经典的因果发现方法，因为它们利用了LLM的庞大先验知识，而不仅仅是局部相关性。 而反事实推理呢？ 令人震惊的强大。 该模型可以回答“如果”问题，而标准算法完全无法做到这一点，仅仅因为它已经“知道”一些关于世界的事情，而这些算法无法仅从数据中推断出来。 这篇论文暗示了一个未来，在这个未来中，LLM不仅仅是模式机器。...