COAT / 因果表征助手

从非结构化数据中，
发现分析变量。

你有评论和评分，或影像和诊断。COAT 帮你确定还应测量哪些属性，让分析不再局限于表中已有的变量。

语言模型提出并测量候选因子，统计反馈指导后续发现、因果结构分析与效应估计。

查看测量示例打开第一个分析教程

Python 包提供文本发现接口；论文还研究了图像和借助工具完成的测量。

一条评论，三个可测量属性

“入口很甜，果香浓郁，
只是个头偏小。”

定义每个属性，再把同一套规则应用到每条评论。

甜度很甜

香气浓郁

大小小

示意类别。下方例子继续说明如何编码成数值。

测量示例

把原始观测，
整理为因子取值。

因子是有定义和测量规则的属性。这里把甜度分为三档：0 表示不甜，1 表示微甜，2 表示很甜。每条评论按同一套规则赋值。

预置教学示例

评论文字到属性影像视觉规则新闻分开测量不同主题 气候资料用代码定义测量

原始观测

配对评分：5/5

打开盒子就闻到浓郁的果香，入口很甜，只是个头偏小，适合放进饭盒。

测量规则

甜度

评论中明确描述的甜度。

0: 明确描述不甜
1: 微甜
2: 很甜

高亮片段支持按所示规则赋予这一档取值。

查看测量表

点选取值，查看对应的观测和规则。试着选择 R03，再点“香气”：评论没有描述香气，因此记为缺失，而不是零。

同一套规则应用到多条观测，就得到一列变量。
样本	甜度	香气	大小
R01
R02
R03

原始观测

配对目标：诊断类别

测量规则

局部亮度

在指定观察区域内定义的视觉属性。

0: 没有明显局部亮区
1: 标记了局部亮区

影像裁切自论文。框选与赋值是教学提示，不是分割、自动定位或临床标注。

查看测量表

点选取值，查看对应的观测和规则。

同一套规则应用到多条观测，就得到一列变量。
样本	局部亮度	形态差异
M01
M02

原始观测

虚构教学新闻，不是真实报道

公司宣布推出新的云端技术平台，并介绍研发团队的工作。

测量规则

技术进展

区分常规维护与新的技术进展。

0: 常规维护
1: 新技术或技术突破

高亮片段支持按所示规则赋予这一档取值。

查看测量表

点选取值，查看对应的观测和规则。

同一套规则应用到多条观测，就得到一列变量。
样本	技术进展	市场拓展
N01
N02

工具测量的因子要说明：去哪里、读什么、怎样汇总。代码规定测量方式，不是让模型猜一个气温值。

物理量: 近地面气温
区域: Niño3 · 5°S–5°N，150°W–90°W

测量定义 / Python 示意

field = archive["air_temperature"].sel(
    latitude=slice(-5, 5),
    longitude=slice(210, 270),
)
factor = field.mean(("latitude", "longitude"))

热带太平洋 Niño3 区域示意；Natural Earth 底图不含气候观测。

每个月得到一个数值 / °C
1月	2月	3月	4月	5月	6月
26.8	27.2	27.9	28.2	27.7	27.4

数值为预置教学材料，不是实时再分析结果。代码是测量示意，不是 coatlearn 数据库接口；实际测量需要对应数据产品的权重与质量控制。

教学表用选中的档位说明数值编码。包中的 score 取各档概率对声明数值的加权平均；概率与置信度单独保存。

样本与取值均为预置教学材料。文字高亮与影像框是手工设置的观察提示，不是本包返回的依据。网页不运行模型。论文探索文本、图像和工具测量。现成 Python 发现接口读取文本列；影像与气候演示说明的是更广的研究框架。

工作原理

根据统计反馈，
继续提出因子。

知道一个因子怎么测量，还不能回答缺少哪些因子。COAT 将模型提出的候选与统计分析连接成反馈循环。

01
提出
聊天模型阅读选中的观测，定义候选因子。
02
测量
标注模型对每条观测应用同一份定义。
03
分析
条件独立性检验考察：考虑其他变量后，还剩下哪些信息。
04
反馈
根据统计结果，让下一轮提议关注现有因子尚未解释的信息。

下一轮要问的问题

“测得的属性相似，评分却不同。我们还遗漏了什么？”

模型理解资料并测量。统计方法在相应假设下分析结构。

查看论文中的框架图

分析目标

根据研究问题，
选择所需的结果。

这是不同的分析目标。能够预测结果的变量不一定是原因；观察到的关联也不等于采取行动的效应。

COAT-MB

哪些属性共同提供了评分的信息？

马尔可夫毯

给定这组变量后，其他候选不再提供关于目标的额外信息。适合后续预测与调查，其中也可能包含目标的结果，而不只有原因。

输入: 一个数值目标 + 配对文本。
输出: 因子定义与选中的变量集合。

查看输入与 Python 接口

COAT-PAG

这些变量之间是什么结构？

部分祖先图

表示具有相同条件独立性关系的一组候选结构。补充因子可以细化边端点，圆圈保留尚不能确定的方向。

输入: 已有数值变量 + 配对文本。
输出: 扩充的变量集合与 PAG。

查看输入与 Python 接口

COAT-ADJ

一项行动会使结果平均改变多少？

调整集与效应估计

寻找在图与假设下可用于协变量调整的变量组合，再通过逆概率加权估计平均处理效应。

输入: 0/1 处理、数值结果 + 配对文本。
输出: 图、调整集，以及条件支持时的逐集估计。

查看输入与 Python 接口

已经知道因子定义，可以直接标注。已有测量表和图，也可以不再调用模型，单独分析。

标注已有因子分析已有图

开始使用

从 1000 条苹果评论中，
发现关于评分的因子。

所附 MB 任务读取 Score 和 Review，允许五轮发现，并保存因子定义与所选集合。先查看本地配置，再决定是否执行。

准备分析环境

使用 Python 3.11 或更新版本，从 PyPI 安装。安装指南会准备只含配置和数据的小型示例目录；使用托管模型不需要克隆仓库或本地 GPU。

安装与配置准备

1. 安装 coatlearn

python -m pip install coatlearn
python -m coatlearn --help

安装不启动模型。先按安装指南把 config/ 与 data/ 下载到 coat-example；执行前不加 --run 查看 MB 任务。

在准备好的 coat-example 目录执行。命令用 DeepSeek Flash 提出因子，用托管 Jev 标注并检查定义。先准备 DEEPSEEK_API_KEY 与 TYPESAFE_API_KEY。文本会发送给这些服务，也可能产生费用；本地 Kev 是另一种选择。

准备模型凭据

2. 连接模型并执行

python -m coatlearn mb --config config/mb.toml --decision-model jev \
  --run --output-dir runs/apple-mb

3. 读取选中的变量

import json
from pathlib import Path

result = json.loads(
    Path("runs/apple-mb/result.json").read_text()
)
print(result["diagnostics"]["final_blanket"])

列表也包含目标 Score。因子定义、设置与研究假设随结果一起保存。

跟随完整教程

连接 Jev、Kev 或 vLLM 对照三份示例配置

MB 与 PAG 共用 1000 条合成苹果评论。ADJ 使用 2000 条合成顾客帖子，采用邮件与访问存在混杂的研究设置，不是原始随机化 Hillstrom 实验。

已在 PyPI 发布，包名为 coatlearn。软件采用 Apache-2.0；两份示例 CSV 采用 CC BY 4.0，使用时保留署名。源码仓库

研究案例

气候区域测量，
与新闻因子分析。

论文探索新增测量因子如何让研究问题更具体。这些案例需要各自的领域设置，不是本包的一键演示。

气候 / ENSO

哪些因素与下一月海温变化有关？

借助工具的模型在 NOAA 再分析数据中定义区域测量。研究得到 13 个因子，找回与文献一致的联系，并提出土壤温度相关的待检验假说。

查看已发表的图

论文 ENSO 图，包含 13 个气候因子与海温变化目标。 — 阅读 JMLR 正式论文

新闻 / 微软

新闻中的哪些方面提供未来收益信息？

研究分别测量创新、产品、法律与战略信息，用前 200 个交易日发现因子，再在后续 400 日评估基于因子的策略。结论限于这段历史中的单只股票。

查看已发表的图

因果结论依赖测量、数据与方法假设。执行完成不代表假设已被证实；没有估计值也不等于零效应。

已发表的研究

Discovering and Reasoning of Causality in the Hidden World with Large Language Models

Chenxi Liu · Yongqiang Chen · Tongliang Liu · Mingming Gong · James Cheng · Bo Han · Kun Zhang

Chenxi Liu 与 Yongqiang Chen 共同第一作者。通讯作者：Bo Han。

Journal of Machine Learning Research
27(229):1–95, 2026

期刊版在 NeurIPS 2024 框架上增加 COAT-PAG、COAT-ADJ 及其可识别性分析。

阅读 JMLR 正式论文

期刊记录 arXiv NeurIPS 2024 项目页

引用 / JMLR 官方 BibTeX

.bib

@article{JMLR:v27:25-2137,
  author  = {Chenxi Liu and Yongqiang Chen and Tongliang Liu and Mingming Gong and James Cheng and Bo Han and Kun Zhang},
  title   = {Discovering and Reasoning of Causality in the Hidden World with Large Language Models},
  journal = {Journal of Machine Learning Research},
  year    = {2026},
  volume  = {27},
  number  = {229},
  pages   = {1--95},
  url     = {http://jmlr.org/papers/v27/25-2137.html}
}

从非结构化数据中，发现分析变量。

把原始观测，整理为因子取值。

原始观测

测量规则

甜度

原始观测

测量规则

局部亮度

原始观测

测量规则

技术进展

测量定义 / Python 示意

根据统计反馈，继续提出因子。

提出

测量

分析

反馈

根据研究问题，选择所需的结果。

哪些属性共同提供了评分的信息？

马尔可夫毯

这些变量之间是什么结构？

部分祖先图

一项行动会使结果平均改变多少？

调整集与效应估计

从 1000 条苹果评论中，发现关于评分的因子。

1. 安装 coatlearn

2. 连接模型并执行

3. 读取选中的变量

气候区域测量，与新闻因子分析。

哪些因素与下一月海温变化有关？

新闻中的哪些方面提供未来收益信息？

Discovering and Reasoning of Causality in the Hidden World with Large Language Models

从非结构化数据中，
发现分析变量。

把原始观测，
整理为因子取值。

根据统计反馈，
继续提出因子。

根据研究问题，
选择所需的结果。

从 1000 条苹果评论中，
发现关于评分的因子。

气候区域测量，
与新闻因子分析。