论文用上下文隔离让思维链步骤更直接影响答案。
资讯摘要
论文提出 CausalCoT 推理框架，针对思维链步骤未必真正驱动答案的问题：标准自回归生成中，密集注意力让每步都能看到完整上下文，模型可能直接查答案再补事后理由。该方法把问题拆成原子子问题的有向无环图，每个节点只在仅含直接因果父节点的隔离上下文中求解，切断通往非父内容的注意力路径。作者报告在多项推理基准上保持有竞争力的预测表现，同时将中间步骤的因果敏感度平均提升 12、最高 21 个百分点，并支持测试时局部修正沿依赖图传播。
要点速读
- CausalCoT 将问题分解为原子子问题的有向无环图，每个节点在仅含直接因果父节点的隔离上下文中评估。
- 作者报告在多项推理基准上预测表现保持竞争力，中间推理步骤的因果敏感度平均提升 12、最高 21 个百分点。
- 结构化依赖图支持测试时干预，使局部修正可沿下游推理传播。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。