因果推断引入基础模型范式：新论文介绍无需微调的因果基础模型（CFM）
arXiv新论文将基础模型范式引入因果推断，提出用预训练网络在新数据集上通过上下文学习估算平均处理效应，无需模型更新，并附带示例代码和Jupyter notebooks。
AI解读：这篇论文把机器学习中的“基础模型”思路搬到了因果推断上。过去要问“某种处理到底有多大效果”，研究者得为每个新问题单独搭一套流程：先假设因果机制、再选估计器、最后训练模型——门槛高，也不通用。论文介绍的因果基础模型（CFM）是预训练好的神经网络，拿到一个全新的数据集，不用更新模型参数，光靠上下文学习就能直接估算平均处理效应这类因果量，类似GPT之类大模型“开箱即用”的方式。对经常要做政策评估、医疗干预效果分析的团队来说，如果这套方法成熟，可能省掉大量重复建模工作，让非专家也能快速拿到初步因果估计。不过现在这篇还只是教学性质的导览，提供示例代码和notebook帮人上手，并没有给出CFM在真实问题上的效果基准，所以它更像一个可供尝试的新工具方向，还没到能替代传统严谨因果分析的程度。想验证它靠不靠谱的人，需要自己做对照实验去检验。
一篇发表在arXiv上的论文（编号arXiv:2609.03003）将基础模型范式引入因果推断，提出“因果基础模型”（Causal Foundation Models, CFMs）的概念：预训练神经网络可在全新数据集上通过上下文学习（in-context learning）估算平均处理效应等因果量，无需更新模型参数。
论文作者为Christopher Stith、Hossein Rahmani和Jesse C. Cresswell，被归类于机器学习（cs.LG）和统计机器学习（stat.ML）方向，2026 年 9 月 2 日提交首个版本，附带的代码可通过论文页面获取。