InterveneBench：基准测试大语言模型在真实社会系统中的干预推理与因果研究设计能力

社会科学中的因果推断依赖于基于现实政策干预的端到端、以干预为中心的研究设计推理，但现有基准未能评估大语言模型（LLM）的这一能力。本文提出 InterveneBench，旨在评估模型在真实社会场景下的此类推理能力。该基准包含 744 项同行评审研究，要求模型在无预定义因果图或结构方程的情况下，对政策干预及识别假设进行推理。实验表明最先进 LLM 在此设定下表现不佳。为此，我们提出了多智能体框架 STRIDES，显著提升了推理性能。