CausalDS：基准测试数据科学 Agent 中的因果推理能力

大型语言模型正日益成为集成数据科学 Agent，但现有基准缺乏结合真实数据分析与原则性因果结构的研究。本文提出 CausalDS 基准，通过采样结构因果模型生成合成数据与自然语言故事，覆盖 Pearl 因果推理的三个层级。该基准不仅评估符号因果推理和代码工具使用，还重点考察模型在观测不完美时的不确定性量化及拒绝回答无效问题的能力，旨在全面评测 Agent 的因果推断水平。