כתבה
arXiv cs.AI ·
סיכום CPDAG חיצוני משפר היקש גורם במודלים LLM
Externalized CPDAG Summaries Improve LLM Causal Deduction
חוקרים הציגו שיטה חדשה לשיפור יכולת ההיקש הגורם של מודלים LLM. השיטה, הנקראת Structured Thinking, משתמשת בסיכום CPDAG חיצוני כדי לשפר את הדיוק של המודלים. הניסויים הראו שיפור משמעותי בביצועים, עם עלייה של 13.4% ב-F1 עבור מודל Qwen3.5-27B.
תקציר מקורי באנגליתarXiv:2609.31071v1 Announce Type: new Abstract: Corr2Cause asks whether a causal claim holds in every DAG compatible with observed correlations and conditional independencies. We frame this as latent-object reasoning: the label is defined by a CPDAG query, but free-form chain-of-thought often collapses the Markov-equivalence-class problem into local pattern matching. We propose Structured Thinking, a two-turn pipeline that first externalizes a typed, schema-constrained CPDAG summary and then answers against that graph state. On the Corr2Cause full test, Structured Thinking raises Qwen3.5-27B from $73.0$ to $86.4$ $F_1$(Yes) over a strong PC-instruction baseline in the primary paired run ($+13.4$ pp; McNemar $p=2.4\times 10^{-6}$; bootstrap $95\%$ CI [$+8.4$, $+18.6$]); across three full-ID
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית