用 Jev 评判因果图：起关键作用的是预先算好的统计

广东工业大学的六位作者于2026年10月28日在 arXiv 上发布了一篇名为 CausalGrade 的预印本。S79 它探讨的问题是：在没有人知道正确答案的情况下，如何比较多个候选因果图，即描述哪个变量直接影响哪个变量的结构图。Jev 并不一次性接手整个任务，而是回答许多小的是/否问题，再由代码合并结果。S79 这种分工方式在因果研究之外同样有用。这是一篇尚未经过同行评审的预印本；本文依据其全文撰写。

方法如何组成

对每一对有序变量，作者都会问 Jev：第一个变量是否是第二个变量的直接原因。问题通过 Noul 提出，它返回 0 到 1 之间的一个数。S79 TypeSafe 的文档把 Noul 的答案描述为答案为“是”的概率，0 表示否，1 表示是。S05 所有实验中，作者都使用 jev-1.13.0 版本。S79

每个问题的上下文包含两类依据。第一类是由代码预先计算的数据统计摘要：描述性统计和缺失值比例、相关性、条件独立性检验，以及从两个方向的回归中得到的关系方向指标。第二类是一个预训练因果发现模型给出的边概率矩阵，作者称该模型为 CDFM。S79 被评估的图本身不在问题中。因此，同一数据上的所有候选图得到的是同一个答案矩阵。S79

图的评分随后只是代码里的一个简单求和。对于图中有边的每一对，加上 Jev 的答案；没有边的，加上 1 减去该答案。结果对应于预期被正确标记的变量对数量。S79 这与我们在组合评分一文中介绍的原理相同：模型回答局部问题，权重和求和留在代码中。

数字显示了什么

在 500 个合成任务中，目标是从五个候选图中选出最好的一个。CausalGrade 在 54.4% 的任务中选中了最佳图，对比方法 κG 为 48.4%，单独使用 CDFM 概率为 19.6%。S79 在真实数据集 Light 上，它达到 96.75%，κG 为 78.0%；在 Sachs 数据集上为 66.5%，κG 为 63.5%。S79 可见领先幅度并非处处相同。

对于所研究的全部四种算法生成的图，该评分与图的实际质量的吻合程度也都高于 CDFM 矩阵。在 DirectLiNGAM 上差距很小：Spearman 相关系数为 −0.523，对比 −0.512。S79

最有启发的是消融实验。作者从输入中去掉统计摘要后，选中率从 54.4% 降到 18.8%。去掉 CDFM 矩阵后则保持在 53.8%。S79 据作者所述，大部分收益来自预先准备的摘要，CDFM 矩阵只是补充依据。S79

局限在哪里

作者自己指出，候选图是在同一矩阵上用不同阈值得到的，因此主要区别在于边的数量。部分改进可能来自评分偏好更稀疏的图，而不是更准确地区分具体的边及其方向。S79 消融实验无法说明哪项诊断最有帮助，也无法说明收益来自信息本身还是信息的组织方式。数据样本较小时，该方法也可能删除真实存在的边。评估基于合成数据和两个真实系统，每个任务五个候选图。S79 预印本没有给出 token 数量、速度或成本。S79

对开发者和网店的启示

普通的斯洛伐克网店不会去处理因果图。但预印本展示的分工方式是可以借鉴的。数字由代码计算，Jev 拿到的是整理好的结构化摘要，而不是原始表格行。没有这份摘要，选择结果明显更差。S79 这与文档对 Noul 的建议一致：每个问题只问一个条件，多个问题在代码中组合，辅助数据放在结构化的指令中发送。一次请求中的多个 Noul 问题会并行运行。S05

至于实际中可以怎样做，这是我们自己的建议，而不是预印本的结果。如果网店想判断某个商品的退货是否与产品缺陷有关，代码可以先算出退货率、投诉数量和最常见的原因。然后把这份摘要和简短的是/否问题交给 Jev，得到的概率再由代码处理。预印本直接使用原始概率；而文档在对单个案例作出决定时，建议先以 0.7 和 0.3 作为阈值，把介于两者之间的值交给人处理。S05 Noul 与 Choice、Score 问题有何不同，可参阅指南Choice、Score 与 Noul。

更大的上下文也有代价。输入 token 每百万 0.042 美元，输出免费。S01 因此每增加一份摘要，请求中付费的部分就会变大；如果每个案例要问几十个问题，最好事先查看价格与限制。