因果知识嵌入：因果对齐训练

CH-14-06-027·约 18 分钟·因果推理与可解释AI·更新 2026-08-12

后厨来了个叫阿明的学徒，脑子灵，嘴也甜。他背下两千道菜谱，能一口气报出几百道菜的步骤；师傅尝一口他的菜，说“咸了”他就减盐，说“淡了”他就加糖，很快学会了哄师傅开心。可有一天师傅问他：“红烧肉为什么要先炒糖色？”阿明愣住了。他做对了所有步骤，却从没想过“为什么”——火太猛肉为什么会老？姜蒜为什么要先下锅？直到师傅开始为“因果讲得对不对”打分、把写反因果的笔记当废纸罚他重抄，阿明才真正从“会做菜的机器”变成“懂厨理的厨师”。因果对齐训练，就是给大模型这个“阿明”补上因果逻辑课，让它不只回答得漂亮，更回答得因果扎实。

岗位关联

掌握因果对齐训练，你就能为 LLM 补齐“可信”这一环：在医疗、金融、司法等因果敏感场景中把关输出质量，成为对齐与安全方向的核心算法工程师。

可视化演示
因果对齐概述
因果一致性奖励
因果约束损失
训练流程框架
因果敏感任务
实践与挑战
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示因果对齐训练核心机制：一致性奖励演示因果图校验与反事实推断生成奖励信号的过程；约束损失展示因果约束转化为可微损失项加入训练目标的流程；协同对齐展示偏好对齐与因果对齐双维度互补优化及安全防护效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

因果一致性奖励信号输出→因果图校验→反事实→奖励 Rwd 因果图与反事实推断校验模型输出生成奖励

因果对齐概述

阿明去后厨当学徒，先背了两千道菜谱（预训练），能说会道；师傅又教他颠勺、调味，每次出锅师傅尝一口说“不错”或“不行”（偏好对齐）。可阿明始终不明白——为什么这道菜要先放姜蒜？为什么火一猛肉就老？直到师傅开始追问“为什么”，他才意识到：光会做、会猜师傅心思还不够，得懂背后的“厨理”。这个“厨理”，就是因果。

大模型也是“学徒”。预训练让它学会语言，RLHF 偏好对齐让它学会讨人喜欢，但“讨人喜欢”和“说得对”是两回事。用户问“为什么最近总失眠”，模型可能答得流畅顺耳，却把因果说反：“因为失眠，所以你压力大。”因果对齐训练，就是在大模型的头脑里加装一根“因果标尺”：回答不仅要流畅、要合口味，还要因果链条正确。

因果对齐训练通常从两个方向入手：一是因果一致性奖励信号——对“因果判断正确”的回答给予额外奖励；二是因果约束损失——在损失函数里加入对因果方向错误的惩罚项。总体优化目标可以写成偏好对齐与因果约束的加权和：

一盘菜要好吃，也要“有道理”。师傅给阿明立的规矩是：菜的味道归味道，做法合不合理另说，两样都得及格。因果对齐最终要服务的，正是让 AI 在“合口味”与“合道理”之间都站得住脚。

\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{preference}} + \lambda \cdot \mathcal{L}_{\text{causal}}

这个公式说：模型的总考核得分 = 偏好分（好不好吃）+ λ 加权后的因果分（有没有道理）。两个维度都达标，才算真正对齐。

L_total（总损失）整个训练过程希望降到最低的综合损失，相当于学徒最终考核的总扣分。
$\mathcal{L}_{\text{total}}$
L_preference（偏好对齐损失）来自 RLHF 等偏好对齐的损失项，衡量回答是否符合人类口味，相当于师傅对“好不好吃”的扣分。
$\mathcal{L}_{\text{preference}}$
λ（权衡系数）控制因果约束分量权重的超参数，相当于“因果这一项占总考核的几成”。
$\lambda$
L_causal（因果约束损失）衡量回答因果逻辑是否正确的损失项，相当于师傅对“做菜有没有道理”的扣分。
$\mathcal{L}_{\text{causal}}$

因果一致性奖励

师傅开始加考“为什么”。他问阿明：“你做红烧肉为什么先炒糖色？”阿明答不上来，师傅就扣分；阿明说“因为炒糖色上色快，还能增香”，师傅就加分。更绝的是师傅爱问反事实：“如果没炒糖色，肉还会这么红吗？”答对了加分，答错了狠狠扣分。这一加一扣，就是“因果一致性奖励”的雏形。

在标准 RLHF 中，奖励模型只判断回答“受不受欢迎”；在因果对齐中，我们额外训练一个“因果裁判”：给定一个回答，判断其中的因果陈述是否成立、方向是否正确。凡是因果正确的回答，就获得额外奖励。这个“因果裁判”通常是另一个经过因果标注数据微调的打分模型，专门负责把“因为下雨所以路滑”和“因为路滑所以下雨”区分开来。

因果一致性奖励常用反事实问题来度量。我们构造一批反事实提问，看模型判断正确的比例：

师傅准备了一叠“如果……会怎样”的小纸条，答对一张加一分，答错一张不扣分——但会在心里记上一笔。因果一致性奖励的作用正是这样：用反事实问题拷问模型，让它没办法靠“背诵答案”蒙混过关。

\mathcal{R}_{\text{causal}} = \frac{1}{N}\sum_{i=1}^{N} \mathbb{I}\left[\, f(a, \tilde{q}_i) = y_i \right]

这个公式说：一次回答能拿到多少因果奖励，取决于模型在 N 个反事实追问下判断对了几道题，判断正确的占比就是奖励值。

R_causal（因果一致性奖励）本次回答得到的因果奖励值，介于 0 和 1 之间，相当于师傅给“厨理问答”打的比例分。
$\mathcal{R}_{\text{causal}}$
N（反事实问题数）考官准备的反事实追问总数，比如“如果没炒糖色会怎样”。
$N$
f(a, ṽq_i)（模型判断）模型结合原回答 a 与反事实问题 ṽq_i 给出的因果判断。
$f(a, \tilde{q}_i)$
y_i（标准答案）该反事实问题对应的正确答案，由因果标注数据提供。
$y_i$
𝕀[·]（指示函数）判断正确记 1，否则记 0，用来统计答对了几道题。
$\mathbb{I}[\cdot]$

因果约束损失

阿明有一次偷懒，把“因为肉老，所以火太大”写在菜谱笔记里。师傅看到后把笔记撕了，罚他重新抄写三遍，并规定：凡是把因果写反的笔记，一律算作废。这个“算作废”，就是损失函数的雏形——我们必须在训练中直接惩罚“因果颠倒”，而不能只靠奖励去引导。

奖励信号是“胡萝卜”，约束损失是“大棒”。因果约束损失在模型的损失函数中加入一个显式项：因果正确的回答得分要明显高于因果颠倒的回答得分，而且差距至少要达到一个边际 m，否则就产生损失、反向传播更新参数。这种设计的好处是：只要差距达标，损失就为零，不会过度干预模型的其他能力。

常用的形式是铰链（margin）损失：

师傅定了规矩：“写对因果的笔记至少比写反的笔记高出三页纸的认真”，达不到就重罚，达到了就相安无事。因果约束损失的优雅之处正在于此——它只在因果方向犯错时才“出手”，平时绝不多管闲事，从而保护了模型原有的语言能力。

\mathcal{L}_{\text{causal}} = \max\left(0, \; m - s(a^{+}) + s(a^{-})\right)

这个公式说：正确的回答必须比错误的回答高出至少 m 分；没高出就按差额惩罚，高出了就相安无事。

s(a+)（正确回答得分）模型给因果正确回答 a+ 的打分，越高越好。
$s(a^{+})$
s(a-)（错误回答得分）模型给因果颠倒回答 a- 的打分，比如“因为路滑所以下雨”。
$s(a^{-})$
m（边际）要求正确得分至少比错误得分高出 m，这个“安全距离”相当于师傅规定的“三页纸的认真”。
$m$
max(0, ·)（铰链截断）若差距已达标则损失为 0，不惩罚；未达标才产生损失并更新梯度。
$\max(0, \cdot)$

训练流程框架

学艺有课表。第一步收集食材和菜谱——这是训练数据准备；第二步先跟师傅学常规手艺，把火候、刀工练扎实——这是偏好对齐阶段；第三步苦练因果心法，专门攻克“为什么”——这是因果对齐阶段；第四步每月考核，不合格就回头重练——这是评估与迭代。这套流程被研究者称作“两阶段训练”或“迭代式对齐”。

在实践上，因果对齐训练通常复用标准的强化学习对齐框架：把偏好奖励与因果奖励合并成混合奖励，用 PPO 等策略优化算法更新模型参数。训练数据既要包含常规的问答对，也要包含大量因果标注样本——哪些回答因果正确、哪些回答因果颠倒、反事实问题的标准答案是什么，都需要人工或规则构造。

训练目标可以写成带期望的优化式：

师傅给每道菜的评分是“口味分 + 厨理分 × 权重”，总分高才算出师。训练流程框架的核心思想就是：先把偏好对齐做扎实，再叠加因果对齐；一边训练一边用因果评估指标检验，不合格就回到数据环节补充短板，循环迭代直到达标。

\theta^{*} = \arg\max_{\theta} \; \mathbb{E}_{(x,y) \sim \mathcal{D}}\left[\, r_{\text{help}}(x,y) + \beta \cdot r_{\text{causal}}(x,y) \right]

这个公式说：我们要找到一组模型参数，让模型在所有训练样本上的“偏好奖励 + β 倍的因果奖励”的期望值最大。

θ*训练完成后最优的模型参数，相当于学成出师的阿明。
$\theta^{*}$
x, y（问答对）输入问题 x 与模型生成的回答 y，共同组成一道“考题”。
$x, y$
D（数据分布）训练数据的整体分布，相当于师傅准备的菜品题库。
$\mathcal{D}$
r_help（偏好奖励）回答是否有用、是否讨人喜欢的奖励，来自偏好对齐的奖励模型。
$r_{\text{help}}(x,y)$
r_causal（因果奖励）回答因果是否正确的奖励，来自因果一致性奖励模型。
$r_{\text{causal}}(x,y)$
β（权重系数）因果奖励在混合奖励中的权重，相当于“因果心法”在总评中的占比。
$\beta$

因果敏感任务

学成之后，宴会上的三道硬菜专门考验厨理：第一道“追根溯源的因果问答”——客人问为什么汤这么鲜？第二道“反事实验证”——如果没放鸡枞菌，汤还鲜吗？第三道“事件归因”——这锅汤糊了，到底怪火大还是怪没搅？此外还有第四道隐藏菜——伦理决策支持：店门口有人滑倒，到底是该先怪地滑，还是先怪放油的人？这四道菜，统称“因果敏感任务”。

模型在普通闲聊上很难暴露因果缺陷，但一遇到因果敏感任务，逻辑错误立刻现形。比如因果问答要求模型从“症状”反推“病因”并给出链条式解释；反事实验证要求模型想象“未发生的前提”下结果是否改变；事件归因要求模型分清“主动因”和“诱因”；伦理决策更是要求模型在责任划分时给出因果上站得住的结论。

为了量化因果对齐的效果，我们通常在因果敏感任务上统计正确率：

三道硬菜加一道隐藏菜全部吃下，师傅才敢说阿明是“会做”还是“真懂”。对 AI 从业者而言，因果敏感任务的评测结果，正是判断一个模型能否进入医疗、金融、司法等高风险场景的“试菜环节”。

\mathrm{ACC}_{\text{causal}} = \frac{1}{T}\sum_{t=1}^{T} \mathbb{I}\left[\, \hat{y}^{(t)} = y^{(t)} \right]

这个公式说：因果正确率 = 模型在 T 个因果测试题上答对的比例，数值越高，说明因果对齐越到位。

T（评测样本数）测试集中因果敏感任务的总题数。
$T$
ŷ^(t)（模型预测）模型在第 t 个样本上给出的预测答案。
$\hat{y}^{(t)}$
y^(t)（标准答案）人类专家为第 t 个样本标注的正确答案。
$y^{(t)}$
ACC_causal（因果正确率）所有样本中预测与标准答案一致的占比，是衡量因果对齐效果的核心指标。
$\mathrm{ACC}_{\text{causal}}$

实践与挑战

学艺之路并不平坦。首先，记载“为什么”的菜谱很少——厨艺书多讲步骤，不讲道理，因果标注数据在真实语料中异常稀缺；其次，请师傅一道道品评费时费力，训练和评估成本居高不下；最后，怎么给“厨理”评分还没有统一标准，各团队用各自的评估方法，结果很难横向比较。阿明只能一边练一边摸索。

对应到工程实践，因果对齐训练面临三大挑战。一是高质量因果标注数据稀缺：大多数互联网语料只记录“发生了什么”，不记录“为什么发生”，反事实标注更是需要专家构造。二是训练成本高：在偏好对齐基础上再叠加因果奖励模型与因果约束损失，训练时长和算力开销明显上涨。三是评估困难：因果正确性不像“回答是否流畅”那样容易打分，人工评估主观性强，自动评估指标尚未统一；同时，因果约束与偏好有时会冲突——正确的因果建议听起来可能不太顺耳，需要精心权衡系数。

为了在缺乏标准答案时检验模型是否真懂因果，研究者常用“反事实一致性”指标：对输入施加不影响真实因果机制的反事实扰动，模型的输出应当保持稳定：

师傅换了三种问法考阿明，阿明的回答始终如一，师傅这才点头——“这孩子，是真懂厨理了。”因果对齐的挑战与机遇并存：谁能率先解决数据稀缺与评估困难，谁就能站在因果大模型与 AI 安全这个前沿方向的最前列。

\mathrm{CR} = \frac{1}{T}\sum_{t=1}^{T} \mathbb{I}\left[\, f(x_t) = f(x_t^{\mathrm{counter}}) \right]

这个公式说：一致性率 = 模型对原始输入和反事实扰动后的输入给出相同输出的比例，越高说明模型抓住的是“真实因果”而不是“表面措辞”。

CR（一致性率）反事实一致性指标，衡量模型对扰动是否稳健。
$\mathrm{CR}$
x_t（原始输入）第 t 个测试样本的原始问题。
$x_t$
x_t^counter（反事实输入）对原始问题做反事实扰动后的版本，比如把“下雨”改成“没下雨”。
$x_t^{\mathrm{counter}}$
f(·)（模型输出）模型对给定输入的回答结果。
$f(\cdot)$
𝕀[·]（指示函数）两个输出的语义判定一致时记 1，否则记 0。
$\mathbb{I}[\cdot]$

AI 应用场景

医疗问答助手的因果把关

阶段：模型对齐与安全评估

解决的问题：传统医疗问答模型在 RLHF 偏好对齐后“言谈得体”，却会把因果说反，例如把“服药剂量不足 → 药效不达 → 症状持续”解释成“症状持续 → 药量不足”。因果对齐训练引入因果一致性奖励与因果约束损失，强制回答遵循医学因果链，避免因因果颠倒引发误诊风险。

具体案例：某互联网医院上线 AI 分诊助手，患者问“为什么我按时吃药还头疼”。未对齐的模型直接建议“加量服用”；因果对齐后的模型先给出因果链“剂量对个人体重偏低 → 血药浓度不足 → 镇痛效果未达预期”，再建议患者复诊调药，同时通过反事实校验确认“如果调整剂量，药效会改善”。

金融风控归因助手

阶段：因果推理与可解释输出

解决的问题：信贷审批被拒的客户追问“为什么”，模型若只能给出“评分低于阈值”这类表面归因，会引发信任危机。因果对齐让模型学会区分“还款能力不足 → 违约风险高”与“违约风险高 → 还款能力不足”这类方向性问题，并输出链条式、可追溯的解释。

具体案例：某消费金融公司用因果对齐后的大模型生成拒贷解释：“收入流水下滑 → 负债收入比上升 → 违约概率提升”，再结合反事实提示“若补充公积金流水，可重新评估”。监管审核时，该模型能针对每个结论给出因果链路，显著提升了可解释性与合规通过率。

Python 演示

python64 行

# -*- coding: utf-8 -*-"""Causal alignment mini demo.A small scoring model simulates causal constraint lossand causal consistency reward in causal alignment training.""" import random # Each sample: (question features, causally correct answer features,#               causally reversed answer features)# Feature meanings: [causal word count, order correctness, reversal degree]DATA = [    ([1, 1, 0], [2, 2, 0], [2, 0, 2]),    ([1, 1, 1], [3, 2, 1], [3, 1, 2]),    ([1, 0, 0], [2, 2, 0], [2, 0, 2]),    ([1, 2, 1], [3, 3, 0], [3, 1, 2]),]  class CausalModel:    """A tiny causal scoring model: score = weighted sum of features."""     def __init__(self, dim=3):        self.w = [random.uniform(-0.1, 0.1) for _ in range(dim)]        self.reward_count = 0     def score(self, x, a):        return sum(wi * (xi + ai) for wi, xi, ai in zip(self.w, x, a))     def train_step(self, x, a_ok, a_bad, margin=0.3, lr=0.1):        s_ok = self.score(x, a_ok)        s_bad = self.score(x, a_bad)        loss = max(0.0, margin - s_ok + s_bad)        if loss > 0:            for i in range(len(self.w)):                self.w[i] += lr * ((x[i] + a_ok[i]) - (x[i] + a_bad[i]))        return loss     def judge(self, x, a_ok, a_bad):        self.reward_count += 1        return self.score(x, a_ok) > self.score(x, a_bad)  def train(model):    for _ in range(20):        for x, a_ok, a_bad in DATA:            model.train_step(x, a_ok, a_bad)  def main():    random.seed(7)    model = CausalModel()    before = sum(model.judge(x, a1, a2) for x, a1, a2 in DATA)    train(model)    after = sum(model.judge(x, a1, a2) for x, a1, a2 in DATA)    reward = 30 + 68 * after / len(DATA)    print("训练前因果判断正确:", before, "/", len(DATA))    print("训练后因果判断正确:", after, "/", len(DATA))    print("因果一致奖励得分:", round(reward, 1))    print("模型权重:", [round(wi, 3) for wi in model.w])  if __name__ == "__main__":    main()

目的：用一个小型打分模型模拟因果对齐训练的核心机制——因果约束损失让“正确因果方向”的得分高于“颠倒方向”，因果一致奖励随判断正确率上升。

self.w = [random.uniform(-0.1, 0.1) for _ in range(dim)]随机初始化三个特征的权重，对应模型的初始“因果观”。
def score(self, x, a):给“问题+回答”打分，分数相当于师傅对这道菜“厨理”的评价。
loss = max(0.0, margin - s_ok + s_bad)因果约束损失：正确得分必须比错误得分高出 margin，否则产生损失。
self.w[i] += lr * ((x[i] + a_ok[i]) - (x[i] + a_bad[i]))梯度更新：增大“顺序正确度”权重，压制“颠倒程度”权重。
def judge(self, x, a_ok, a_bad):因果裁判：得分高的一方胜出，用于计算因果一致奖励。
for _ in range(20): for x, a_ok, a_bad in DATA:20 轮迭代式优化，对应训练流程中的“迭代式优化”环节。
reward = 30 + 68 * after / len(DATA)把判断正确率映射为奖励分，对应因果一致性奖励信号。

常见误区

误区我觉得模型经过 RLHF 之后回答已经很讨人喜欢了，用户也满意，为什么还要折腾什么因果对齐？这不是多此一举吗？

正解偏好对齐学的是“用户爱听什么”，因果对齐学的是“事实因果是什么”。就像学徒只知道师傅夸哪种菜好吃，却不知道为什么好吃，一遇到新食材就懵。只有补上因果维度，模型在医学、法律、安全等高风险场景才不会“说得漂亮却因果颠倒”。两者是互补关系，不是替代关系。

为何常见：RLHF 的效果非常直观——回答明显更流畅顺耳，容易让人误以为“对齐”已经完成，忽略了“合口味”与“合道理”是两回事。

误区我以为只要回答里出现了“因为”“所以”这些因果连接词，就说明模型懂因果了，毕竟话都说到这个份上了。

正解因果连接词只是表面形式，关键看因果方向是否真实。“因为下雨所以路滑”方向正确；“因为路滑所以下雨”虽然也用了因为所以，却是在胡说。因果对齐训练正是通过反事实校验和因果约束损失来区分“像因果”与“真因果”的——前者是语言外壳，后者才是逻辑实质。

为何常见：语言的表面形式（连接词）比深层逻辑更显眼，初学者阅读模型输出时容易被文字外壳迷惑，忽略方向的真伪。

误区我总觉得加了因果约束损失就是在“惩罚”模型，惩罚多了，模型会不会变得畏手畏脚，连正常的对话、创作能力都退化了？

正解设计良好的因果约束损失（如边际损失）只在“因果方向错误”时产生梯度惩罚，方向正确时损失为 0、梯度为 0，对模型的其他行为几乎无干扰。它的作用是修剪因果错误，而不是重塑全部知识。就像纠正学徒的翻锅手势，不会让他忘记怎么切菜。

为何常见：看到“损失”二字就以为在“惩罚模型”，忽略了边际损失有选择性地作用：达标即停，不达标才出手。

误区反事实问题都是“如果当初没发生会怎样”，听起来像哲学讨论，跟训练大模型的因果能力有什么关系？

正解反事实判断正是检验模型是否真正理解因果的关键探针。因果一致奖励经常用一批反事实问题来计算正确率——“如果没下雨，路还会滑吗？”能答对，说明模型抓住了“雨→路滑”这个真实机制，而不是死记硬背。它不仅是相关，更是因果对齐训练信号的重要来源。

为何常见：反事实指向“未发生的世界”，在生活中很少被当成正经知识，容易被误解为与工程训练无关的花边内容。

面试题

Q1. 因果对齐训练与普通偏好对齐（RLHF）最重要的区别是什么？

单选题 · easy

A.因果对齐只优化回答的语气
B.因果对齐引入因果正确性维度← 正确答案
C.普通偏好对齐不需奖励信号
D.因果对齐需要更多参数量

答案：B。偏好对齐让模型学会“说得好听”，因果对齐在此基础上额外引入因果正确性维度，让模型“说得对”。A 把因果对齐窄化成语气优化，C 说反了（RLHF 恰恰依赖奖励信号），D 与参数量无关。

Q2. 在因果约束损失中，“因为事故所以路滑”相比“因为下雨所以路滑”会被如何对待？

单选题 · mid

A.前者的得分应当被压制降低← 正确答案
B.两种回答获得完全相同分数
C.后者会被随机添加噪声
D.需要人工删除错误回答

答案：A。前者因果颠倒，相当于学徒写反了笔记，边际损失会压低它的得分，确保正确回答高出边际 m。B 混淆了惩罚机制，C 和 D 都不是损失函数的做法。

Q3. 因果一致性奖励通常通过什么方式获得？

单选题 · mid

A.统计回答中的连接词数量
B.计算回答的字数长短差异
C.反事实问题的判断正确率← 正确答案
D.直接复制训练集中的内容

答案：C。因果一致性奖励的核心是反事实校验：模型对“如果没下雨，路还会滑吗”这类问题的判断正确率越高，奖励越高。A、B 只看到语言表面，D 是背诵而非理解。

Q4. 当正确回答与错误回答的得分差已超过边际 m 时，因果约束损失的梯度是？

单选题 · extreme

A.持续保持较大幅度的下降
B.梯度反向增大错误回答
C.梯度方向随机翻转调整
D.梯度归零并停止权重更新← 正确答案

答案：D。边际损失 max(0, m - s+ + s-) 在差距达标时取 0，梯度随之归零，模型不再更新。这正是“达标即停”的设计——不过度干预模型能力。A、B、C 都描述的是未达标或错误情况下的行为。

Q5. 下列哪一项属于典型的因果敏感任务？

单选题 · easy

A.文本颜色的渲染美化
B.反事实事件的推理判断← 正确答案
C.图片像素的压缩处理
D.键盘输入的延迟优化

答案：B。反事实事件推理（“如果没下雨会怎样”）要求模型理解因果机制，是典型的因果敏感任务。其他三项分别属于渲染、图像处理、系统优化，与因果推理无关。

Q6. 反事实判断“如果没下雨，路还会滑吗”在因果对齐训练中的作用是？

单选题 · mid

A.增加对话的趣味与幽默感
B.降低模型的推理响应速度
C.检验模型是否真正理解因果← 正确答案
D.替换全部的训练语料库

答案：C。反事实问题是“因果探针”：只有真正掌握了“雨→路滑”机制，模型才能答对。它不负责趣味性、速度或语料替换，而是用来检验与度量因果理解。

Q7. 未经因果对齐的大模型在因果敏感任务中，最可能出现哪种表现？

单选题 · hard

A.回答流利但因果方向颠倒← 正确答案
B.完全拒绝回答所有问题
C.输出的内容全是乱码符号
D.训练速度明显变慢变卡

答案：A。未经因果对齐的模型在语言层面完全正常，因此在因果敏感任务中最典型的表现是“流利地说错”——把因果方向说反而不自知。B、C 是模型崩溃的表现，D 是工程问题，均不典型。

Q8. 因果对齐训练的组成部分包括下列哪些？

多选题 · mid

A.因果一致性奖励信号← 正确答案
B.因果约束损失函数项← 正确答案
C.图像分辨率增强处理
D.反事实样本数据构造← 正确答案

答案：ABD。因果对齐训练 = 奖励信号（胡萝卜）+ 约束损失（大棒）+ 反事实数据（考卷）。图像分辨率增强属于视觉预处理，与因果对齐无关。

Q9. 因果对齐训练当前面临的主要挑战包括？

多选题 · hard

A.高质量因果标注稀缺← 正确答案
B.大规模训练成本较高← 正确答案
C.因果评估指标难统一← 正确答案
D.模型无法生成任何内容

答案：ABC。语料多记“发生了什么”少记“为什么”，因果标注稀缺；叠加奖励模型与约束损失后算力开销上涨；因果正确性缺乏统一评测标准。D 描述的是模型失效，不在挑战之列。

Q10. 因果对齐训练对 AI 安全的贡献体现在哪些方面？

多选题 · easy

A.防止生成因果倒置结论← 正确答案
B.提升高风险场景可信度← 正确答案
C.帮助模型进行事件归因← 正确答案
D.替代全部人工审核流程

答案：ABC。因果对齐能减少因果倒置（如“因为失眠所以压力大”），让医疗、金融等高风险场景的结论更可信，并能给出链条式归因。D 夸大了作用——对齐是辅助手段，无法替代全部人工审核。