MSCOD: Многоагентные рамки для построения каузального графического поколения, ориентированного на структурные и контексты

arXiv:2609.19944v1 Annualte Type: New Humber Abstract: Major Language Models (LMS) применяется к причинно-следственному обнаружению, однако поколение кандидатов на диаграммах редко рассматривает преждевременное отсутствие потенциально значимых причинных связей в качестве явной проектной цели. Мы предлагаем MSCOD, многоагентскую систему, которая организует третьи переменные и местные структурные структуры до вынесения прямого суждения. Мы оцениваем MSCOD на Auto-MPG, DWD и Sachs с использованием GPT-5.4 в качестве основной опоры и GPТ-4о для воспроизведения. МСКОО имеет набор данных и зависит от основных элементов - избирательный профиль, а не единообразное превосходство. Во всех шести параметрах набора данных, Full, которая поставляет структурные гипотезы до прямого вынесения решения, достиг более высокой средней отсылки и F1, чем этап No 1, что вместо этого создает их в рамках процедуры судебного разбирательства при одновременном увеличении ложных положительных показателей. Дополнительные данные по всем оцениваемым исходным уровням были сохранены в ОВД с помощью GPT-5.4 и S