TECHNICAL DETAILS
这份资料下面的技术细节文章
技术文章属于当前资料，不与 P11 研究项目入口平级。
暂无技术细节文章
以后针对这份资料形成的代码解读、公式拆解或机制实验，都会继续落在本资料页下面。
WHY NOW
为什么现在读它
TabPFN-CFM 直接把 structure、outcome、intervention 与 counterfactual queries 放进同一 causal foundation model，是 P11/DiscoSCM 必须认真比较的最近工作。
LEARNED OBJECT
它真正学习或预测的对象
在合成因果数据上训练、面向图结构与多层 causal query 的预测器，并在给定图时利用结构信息。
P11 USE
P11 可以从这里拿走什么
逐项比较 query typing、synthetic generator、已知图条件、cross-world 输出和下游识别假设，避免把普通 masked prediction 当作同一对象。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
合成训练与真实数据实验不能单独证明一般 observational identifiability；workshop 结果也不应被扩写为 P11 已具有 causal capability。
READING PATH
建议阅读路径
- 先列清 structure prediction 与三层 causal query 的输入输出。
- 再审计 synthetic SCM family、graph-known/unknown 设置与 baselines。
- 最后检查真实数据实验实际观察到了哪些 causal ground truth。
P11 INTERNAL MATERIAL
已有项目材料
暂无独立 P11 解读页
- 当前没有下载到仓库的第三方原文；先使用上方一手链接。
MY READING NOTE
我的浏览器便笺
可以马上写、刷新后继续。它不上传到服务器，也不会自动进入 P11 的 canonical source。
尚未读取到当前浏览器中的已保存草稿。
保存边界：只保存在当前 browser profile + 当前 origin。localhost 与 wehub.us 是两份笔记；换设备、隐私模式或清理网站数据都可能丢失。长期保存请导出 Markdown 并回填到上面的 canonical path。