CausalReasoningBenchmark：用于解耦评估因果识别与估计的真实世界基准

现有因果推断基准常将因果识别（研究设计）与估计（数值计算）混为一谈。本文提出 CausalReasoningBenchmark，包含来自真实数据集的 173 个查询，要求系统分别输出结构化识别规范和数值估计。通过独立评分，该基准能细粒度诊断模型是在因果推理还是数值执行上失败。实验表明，当前最先进 LLM 虽能识别高层策略，但在具体研究设计的细节规范上表现不佳，揭示了因果推理能力的瓶颈所在。