CausalCoT
一种通过有向无环图分解问题并隔离上下文以提升思维链推理忠实性的框架，每个子问题只能看到其直接因果父节点。
时间轴 (近 90 天)
CausalCoT 是一个将问题分解为原子子问题构成的有向无环图（DAG），并在求解每个节点时只允许模型看到其直接因果父节点的框架。
CausalCoT 通过上下文隔离切断通往非父节点内容的注意力通路，使下游预测对局部推理敏感，而非依赖全局信息泄漏。
CausalCoT 中每个节点的取值仅以其直接父节点为条件，与更早的祖先节点在给定父节点后条件独立，这等价于计算该节点的条件概率。
论文实验显示，CausalCoT 在保持有竞争力的预测性能的同时，中间推理步骤的因果敏感度相比最强基线平均提升 12 个百分点，最高提升 21 个百分点。
CausalCoT 的结构化依赖图支持测试时干预：对某个局部推理进行修正后，其影响会沿着因果图可预测地传播到下游节点。
CausalCoT 的前提是能够将问题可靠地分解为 DAG 结构，对于因果结构模糊或高度耦合的任务，图构建的准确性可能成为瓶颈。
CausalCoT 采用逐节点隔离求解的方式，在推理效率上存在额外开销。
全部知识事实 (7)
CausalCoT 是一个将问题分解为原子子问题构成的有向无环图（DAG），并在求解每个节点时只允许模型看到其直接因果父节点的框架。
50%待验证CausalCoT 通过上下文隔离切断通往非父节点内容的注意力通路，使下游预测对局部推理敏感，而非依赖全局信息泄漏。
50%待验证CausalCoT 中每个节点的取值仅以其直接父节点为条件，与更早的祖先节点在给定父节点后条件独立，这等价于计算该节点的条件概率。
50%待验证论文实验显示，CausalCoT 在保持有竞争力的预测性能的同时，中间推理步骤的因果敏感度相比最强基线平均提升 12 个百分点，最高提升 21 个百分点。
50%待验证CausalCoT 的结构化依赖图支持测试时干预：对某个局部推理进行修正后，其影响会沿着因果图可预测地传播到下游节点。
50%待验证CausalCoT 的前提是能够将问题可靠地分解为 DAG 结构，对于因果结构模糊或高度耦合的任务，图构建的准确性可能成为瓶颈。
50%待验证CausalCoT 采用逐节点隔离求解的方式，在推理效率上存在额外开销。
50%