深度分析 認識性遺憾最小化（ERM）：用因果信念修正緩解大型語言模型的 Rung Collapse 研究指出，大型語言模型常以「錯誤理由」達成表現，因自回歸訓練無法區分關聯與介入。作者提出「認識性遺憾最小化」（ERM），作為獨立於結果的因果信念修正目標，並以物理接地定理、AGM式修訂與失效型態守門人構成三層架構，能用介入資料分離相關與因果。實驗證明進階模型仍存階層崩塌問題，且定向 ERM 可回復多數根深錯誤。
