标签
本文研究语言模型是否能正确判断诊断证据如何支持或挑战不同的因果主张，并引入了仅改变因果目标的配对提示。在Qwen2.5-7B-Instruct等模型的倒数第二个Transformer隐藏状态上进行的线性读出显示，平衡准确率适中（0.654-0.659），并在49对中恢复了18-21对，表明因果相关性具有一定程度的线性可解码性。
本文介绍了诊断证据网络（DENet），一个多任务框架，它将基于AI的轴承故障诊断扩展为生成物理可验证的证据，例如预测的特征频率和脉冲的时间定位，同时使用QLoRA适配的语言模型生成受限的诊断报告，以减少幻觉内容。