Synthos AI发布Causa协议：优先考虑因果链而非统计相关性的人工智能推理新标准

一个新开源推理框架正在挑战大型语言模型设计中的主导范式。总部位于伦敦的四年AI研究实验室Synthos AI已在GitHub上发布了Causa协议规范和参考实现，提供了一种从根本上不同的方法来构建AI系统的推理结构。

当今的标准语言模型——无论规模大小——都经过训练，可以根据上下文窗口预测下一个最可能的token。这导致系统在识别训练数据中的统计模式方面表现出色，但在这些模式失效时会出现众所周知的错误倾向。结果就是被广泛记录的幻觉问题：模型生成流畅、看似合理的文本，但事实错误。

因果关系而非相关性

Causa协议引入了一个名为因果图推理引擎的结构化表示层。配备Causa的模型不是从统计分布中逐token生成响应，而是首先构建查询中提到的实体之间的显性因果关系图，然后通过遍历和报告该图来生成响应。

该协议在三个阶段运行：解析（提取因果实体及其关系）、图构建（构建因果依赖的有向无环图）和响应综合（通过读取图而非预测下一个token来生成文本）。

在涵盖医学诊断、法律推理和科学文献综合的基准测试中，使用Causa增强的模型在复杂多跳查询（需要两个或多个顺序推理的查询）上与未修改基线相比，事实幻觉减少了34%。在单跳事实回忆任务上，性能与标准模型相当。

开源核心

Synthos已根据Apache 2.0许可证发布协议规范，并为几个开源模型架构提供参考实现，包括Llama 3和Mistral的指令调整变体。该公司还发布了一个包含120,000条注释的因果推理轨迹数据集，旨在微调模型遵循协议的表示格式。

联合创始人阿马拉·奥塞伊博士（Dr. Amara Osei）表示："我们选择开源是深思熟虑的。我们相信因果推理是一项基础能力，而非竞争优势。如果这成为标准，每个人都受益——包括我们自己。"

早期社区反响热烈。GitHub仓库在最初72小时内获得了14,000颗星。几位独立研究人员已开始复现基准测试结果，初始确认出现在Hugging Face上。

局限性和开放问题

Causa协议并非没有批评者。一些研究人员指出，因果图构建本身需要准确的世界知识——如果模型从错误前提构建因果图，它将产生自信但错误的结论，只是通过不同的路线。其他人观察到图构建阶段增加了有意义的推理延迟，早期基准显示每个查询的计算成本增加了2.1倍。

Synthos团队在技术文档中承认了这两个问题，表示图构建质量将随着协议成熟而提高，延迟优化是路线图优先事项。