К содержимому
Другое

CausalPFN-ATE-CATE

готовый инференс и бенчмарк для оценки причинно-следственного эффекта

2 мин чтенияобновлено

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.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к CausalPFN-ATE-CATE
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии CausalPFN-ATE-CATE — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

fuyao11/CausalPFN-ATE-CATE
Автор
fuyao11
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии