ReCast：面向 LLM 智能体系统的归因导向步骤表征学习

基于摘要分析。本文研究 LLM 智能体系统的失败归因：当早期步骤的错误沿后续交互传播时，识别最早导致失败的责任步骤。作者提出 ReCast，将冻结 LLM 的隐藏状态转换为面向归因的步骤表征，并引入失败归因训练数据集 ReCast-2K。 作者首先开展经验研究，报告直接以隐藏状态作为步骤表征时，根因步骤与其他步骤的可分性有限。ReCast 据此先选择与归因相关的层，再构造互补的模式特征与偏差特征，最后通过采用对比学习和排序目标训练的编码器，学习包含上下文信息的步骤表征。摘要未说明层选择准则、两类特征的具体计算方式、上下文组织方式及损失定义，这些机制细节尚未验证。 作者报告，ReCast 在四个基准上取得最高的 Hit@1；其中，在 Who&When Algorithm 和 Handcrafted 上，相比最强基线分别提高 5.65 和 9.19 个百分点。该结果针对失败归因任务，不等同于智能体任务成功率提升。摘要未给出基线名称、绝对分数、数据划分及统计不确定性，实验协议、消融及统计信息尚未验证。 摘要提供了代码地址，但代码内容、运行条件及 ReCast-2K 的构成与标注协议尚未核验。研究对象是 LLM 智能体交互轨迹，而非神经信号；材料未建立其步骤级失败归因机制与 EEG/BCI 任务的具体对应关系，因此不据此推断跨领域效果。