Skip to content
Other

CausalPFN-ATE-CATE

готовый инференс и бенчмарк для оценки причинно-следственного эффекта

2 min readupdated

Независимая сборка для запуска и оценки официальной модели CausalPFN (предобученной нейросети для оценки причинно-следственных эффектов через обучение в контексте). Репозиторий от автора fuyao11 использует оригинальный чекпоинт causalpfn_v0.pt без дообучения или изменения весов, но добавляет удобную обёртку для инференса и набор бенчмарков. На выходе модель даёт точечные оценки среднего эффекта воздействия (ATE) и условного индивидуального эффекта для конкретных признаков (CATE), а также нативные 95% доверительные интервалы. Пригодится исследователям и дата-сайентистам в задачах A/B-тестирования, эконометрики и анализа наблюдательных данных без необходимости обучать модель с нуля.

Ключевые особенности

  • Оригинальные веса без изменений: внутри используется официальный чекпоинт causalpfn_v0.pt с проверкой хеша SHA-256 и ссылкой на исходную ревизию.
  • Готовый рантайм и воспроизводимость: в репозиторий включены скрипты для быстрого старта на CPU, архивы с генераторами синтетических данных и эталонными результатами.
  • Сравнение с Random Forest (RF): проведено тестирование на 1 000 таблиц по метрикам Bias, SE, RMSE, ширине интервала и покрытию (Coverage) на выборках id и ood.
  • Удобство для пайплайнов: класс Predictor можно инициализировать один раз и переиспользовать для серии запросов по входным данным X, T и Y.

Что можно сделать

  • Оценить эффект от внедрения фичи или терапии на табличных наблюдательных данных (X, T, Y) с получением точечной оценки и доверительного интервала.
  • Использовать архив воспроизведения как готовый стенд для сравнения нейросетевого подхода CausalPFN с классическим Random Forest на синтетических датасетах.
  • Встроить класс Predictor в аналитический сервис или бенчмарк-арену для быстрого потокового расчёта ATE и CATE.

Пример

python -m pip install -r arena_n500/requirements.txt
python arena_n500/predict.py --verify-only
python arena_n500/quickstart.py
Подробнее Бенчмарк (1 000 таблиц, split id / ood): RMSE для ATE составил 0.1211 / 0.0700 (против 0.1446 / 0.1197 у RF), для CATE — 0.3216 / 0.1940 (против 0.6314 / 0.3474 у RF).
Покрытие (Coverage) для ATE остаётся ниже 95% (76.83% / 78.61%), а 100% покрытие для CATE достигается за счёт широких интервалов (6.4158 / 3.9290).
Среда и железо: поддерживается Python 3.10–3.13, базовый пример запускается на CPU; время расчёта в таблице указано с учётом построения интервалов (для RF при B=100).
Ограничения: отдельных адаптеров или калибровки нет; входной контракт принимает только X, T, Y и фиксированный запрос без переменных-медиаторов.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.1 GB · ready files0.6 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # fuyao11/CausalPFN-ATE-CATE
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download fuyao11/CausalPFN-ATE-CATE --local-dir ~/models/CausalPFN-ATE-CATE
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to CausalPFN-ATE-CATE
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of CausalPFN-ATE-CATE (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

fuyao11/CausalPFN-ATE-CATE
Author
fuyao11
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments