本构模型发现改问因果：气候箱干预在10次运行中7次找回真实机制图，观测数据一次也没有
本构模型发现不再只问哪些候选项能拟合响应，而是问哪个环境变量驱动哪个机制。把含内变量的本构模型写成按时间展开的结构因果模型，用弱形式平衡残差给候选图打分，气候箱协议被当作干预。合成多孔板算例中，位移噪声约0.01像素时，干预数据在10次运行里7次精确恢复13条候选边中的8条真实边，且没有归因错误；温湿相关的观测数据一次也没有恢复。
300M参数模型仅用合成先验预训练，在六种语言维基百科上把每字节比特数从8降到约1
作者提出Prior-Fitted Language Model（PFLM），一个3亿参数的字节级transformer，仅用由递归结构因果模型生成的合成非语言序列预训练，权重冻结时在上下文中学习预测真实文本：在英语、中文、印地语、阿拉伯语、日语、韩语维基百科上，每字节比特数随上下文增长从均匀的8比特降至一百万字节上下文时的约1比特，并在数字上学会计数、比较大小与近似加法，还能预测Rudin–Shapiro、Kolakoski与素数指示等确定性序列，并在源代码、分子、蛋白质、DNA、符号音乐与音频六个非文本域上压缩率低于gzip与PPMd。
SHERLOCK 将扰动效应建模为潜状态上的结构化干预，在 CRISPR、化学与空间扰动数据中恢复通路关系并预测组合效应
作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。
已读完全部报道