Causal Reasoning Symbolic Verification Self-Consistency LLM Evaluation
摘要

自一致性假设采样推理轨迹中最频繁的答案最可靠,但在因果推理中常因重复混淆错误或有效答案分散而失效。本文提出CALVER,一种无需训练的符号验证器,依据Pearl因果标准(如d-分离、后门调整)对结构化轨迹评分并选择最高分候选者。在CLEAR基准上,CALVER显著优于多数投票及LLM裁判,且能识别出符合逻辑但非基准预设的有效答案。该方法计算高效,泛化性强,通过因果有效性聚合选择,提升了因果推理的鲁棒性。

AI 推荐理由

论文聚焦于提升LLM在因果推理中的准确性,提出符号验证方法解决投票机制失效问题,直接增强推理能力。

研究机构
The University of Texas at Austin New York University
论文信息
作者 Omatharv Bharat Vaidya, Connor Thomas Jerzak, Zayne Rea Sprague, Fangcong Yin, Nhat Ho
发布日期 2026-08-04
arXiv ID 2608.03506
相关性评分 9/10 (高度相关)