论文提出TCR-Agent与TCR-Former提升时序因果推理
热点事件持续更新
论文提出TCR-Agent与TCR-Former提升时序因果推理
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Zhifeng Yang 等作者在 arXiv 发布论文，提出 TCR-Agent 与 TCR-Former 两种架构，将离散叙事转为因果拓扑，以增强大语言模型的时序因果推理能力，论文称已被 NeurIPS 2026 接收。 论文称，TCR-Former 仅约 8.6B 参数，在 TempoCausal 基准上准确率比 SOTA 方法高 16.5%，超过 GPT-5.4 和 DeepSeek-V3.2 等大规模模型。上述性能数据为论文自述结果。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 12:00
TCR-Former 论文提出从文档布局到因果拓扑的时序因果推理端到端架构报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AITCR-Former 论文提出从文档布局到因果拓扑的时序因果推理端到端架构
arXiv 论文提出 TCR-Agent 与 TCR-Former 两种架构，将离散叙事转为因果拓扑以增强大语言模型的时序因果推理。TCR-Former 仅约 8.6B 参数，在 TempoCausal 基准上准确率比 SOTA 高 16.5%，超过 GPT-5.4 和 DeepSeek-V3.2。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。