面向工业因果推理的模拟器驱动大型语言模型：工具使用、结构化注入及可移植检索支持废水处理决策

arXiv cs.CL 发布了这条关于 研究论文 的更新：废水运营者在询问诸如“N2O为何上升？”或“减少20%曝气会怎样？”等因果问题时，需基于工厂变量交互和效应传播速度的回答，而非通用预训练文本。本文对冻结的Qwen2.5-32B-Instruct模型利用可解释的废水模拟器（CCSS-IX）进行实地模拟调用（方法1）、结构化参数注入（方法2）和解耦回忆推理检索器（方法3）三种接地方式进行比较。三种方法在198个因果问题基准上的准确率分别为99.5%、79%和75.8%，远超最强检索增强基线的48%。方法3检索器参数仅1.1亿，单厂训练约17秒，跨厂转移后仍达88%，而方法2的静态表无法迁移。在60问反事实基准上，方法3能处理干预后的问题，优于方法2 16.3个百分点（95%置信区间[7.1,26.4]），且对时间尺度和操作状态类问题均达100%。在搭载OpenBookQA语料的AI2推理挑战中，选择性检索机制达79%，超越不受限的Llama-3.1-8B（76%）和全量注入（74%），显示非废水处理特定的领域外复现能力。本文首次提供单一模拟器下三种工业因果问答技术的综合比较。

该研究创新地结合大型语言模型与工业级模拟器，优化了因果推理能力并提高了废水处理决策的准确性和效率。尤其是解耦回忆推理检索器的高效训练和良好跨厂适应性，为工业智能问答系统提供了实用且可扩展的技术路径。

研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。

接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。