发力因果智能 LimiX‑2 补齐结构化数据处理大模型能力短板

设备运维检修方案研判、产品季度定价测算、原材料采购时机抉择，这类经营生产决策深度扎根于企业一线运转流程。当前主流大语言模型主要依托文本、音视频这类经过人类加工的二手资料获取知识，难以解析机器设备输出的数据库、表格等结构化业务数据，更难以挖掘数据背后蕴藏的客观规律与因果关联。清华大学联合稳准智能新近推出 LimiX‑2，填补这一技术缺口，和大语言模型形成能力互补，助力传统企业推进生产决策、内部运营全流程的智能化升级。

该模型的实际落地成效已经在工业场景得到验证。在中国钢研科技集团有限公司的特种钢材研发工作当中，研发人员需要从 30 项不同工艺参数之内筛选出左右材料性能的关键影响因子。按照传统研发模式，只能反复调整参数、多次开展炼钢试验。依托 100 多组历史试验样本，LimiX 直接锁定 5 项起到决定性作用的因果因子，项目整体研发成本下降 70% 以上。经 8 名冶金专家开展效果评估，这套模型筛选结果的因果性评分达到 4.2 分，传统相关性分析方法得分尚不足 2 分。

电力、石化、大型装备运维等行业同样面临相似难题。各类企业日常持续生成海量业务数据，技术难点集中于从错综复杂的海量变量当中识别稳定的内在关联，再把数据分析结论转化为生产端决策依据。

据稳准智能公开信息显示，LimiX 现已完成 800 余个结构化数据场景的通用性验证，并且落地部署于 60 余个真实业务环境。在钢铁、电力、石化三大行业开展实测，超过七成的业务任务上，模型运行效果优于此前已经投入使用的专用业务模型。各类产业场景的持续应用，同时反过来充当模型的训练与校验素材。产业实践持续暴露出模型现存不足，经过迭代优化之后再投入更多业务环境，由此构筑起技术研发与产业落地之间的循环迭代路径。

“作为长期深耕结构化数据基础模型 LDM 和因果智能发现的中国团队，特别希望国内外能有越来越多的研发同行、应用企业加入进来。跟大语言模型 LLM 的智能涌现步调相似，LDM 也即将迎来 GPT3 时刻。LimiX‑2 是团队的一个重要阶段性成果，证明了稳准智能技术路线的方向是正确的。” 稳准智能首席科学家崔鹏表示。后续研发工作将继续沿着因果智能方向推进，推动人工智能由单纯的结果预测进一步走向辅助业务决策。