# ReCast

该工作先量化发现文本嵌入与隐状态对根因步骤的区分度有限，随后提出 ReCast：用归因感知探针选层、稀疏 Johnson–Lindenstrauss 投影构造模式与偏差双分支特征，再用对比与排序目标训练双向编码器，把冻结 LLM 隐状态转成归因导向步骤表示，并发布 ReCast-2K 训练集；在 Who&When、TraceElephant、AFTraj-2K、Who&When Pro 四个基准上 Hit@1 均最高。

该工作先量化发现文本嵌入与隐状态对根因步骤的区分度有限，随后提出 ReCast：用归因感知探针选层、稀疏 Johnson–Lindenstrauss 投影构造模式与偏差双分支特征，再用对比与排序目标训练双向编码器，把冻结 LLM 隐状态转成归因导向步骤表示，并发布 ReCast-2K 训练集；在 Who&When、TraceElephant、AFTraj-2K、Who&When Pro 四个基准上 Hit@1 均最高。

RECAST 把证据构建建模为在检索与计算操作上的序贯决策过程：轻量 RouterLM 迭代选择词法、语义或关系原语，或请求由冻结 CompilerLM 编译为可执行代码的定制操作，判定证据充分后交给冻结 AnswerLM 作答，并用 SFT 加 GRPO 训练 RouterLM；在六个异构基准上取得最高平均成功率，并在三个留出基准上零样本泛化。

RECAST 把证据构建建模为在检索与计算操作上的序贯决策过程：轻量 RouterLM 迭代选择词法、语义或关系原语，或请求由冻结 CompilerLM 编译为可执行代码的定制操作，判定证据充分后交给冻结 AnswerLM 作答，并用 SFT 加 GRPO 训练 RouterLM；在六个异构基准上取得最高平均成功率，并在三个留出基准上零样本泛化。