CORE_01●
核心研究
LLM Causal Reasoning
研究大语言模型如何从相关性走向因果机制，形成可验证、可审计的推理过程。
↗LAN SU · AI PHD RESEARCHER
Reasoning
beyond
correlation.
我是兰苏，目前在 Griffith University 攻读人工智能博士一年级。我的核心研究是 大语言模型的因果推理，希望让模型的推理过程更加显式、可靠且可审计。
目标感知的因果链从干预 X 连接两条候选原因，并汇聚至目标 Y。
01 / RESEARCH
Research
signal map.
以 LLM 因果推理为核心，向多模态理解、自主智能体和世界模型延伸。这些方向共同指向一个问题：模型如何形成对世界更可靠的理解与行动能力？
EXP_02○
感兴趣方向
Vision-Language Models
探索视觉与语言如何共同构建对场景、关系与因果结构的理解。
↗EXP_03○
感兴趣方向
LLM Agents
关注智能体的规划、工具使用、长期记忆，以及在复杂任务中的可靠行动。
↗EXP_04○
感兴趣方向
World Models
探索模型如何学习环境规律、预测状态变化，并支持推理与决策。
↗02 / PUBLICATION
Featured
publication.
01PAPER
2026
2026
ACL 2026P—00110.18653/v1/2026.findings-acl.607
NATURAL LANGUAGE PROCESSING · CAUSAL REASONING
Causal-Audit: Explicit and Auditable Graph-based Reasoning via Target-Aware Causal Chain Construction
提出一个面向无上下文干预式问答的显式、可审计因果推理框架。方法通过目标感知的因果图构建、因果链审计与多路径证据聚合，将隐式语言推理转化为结构化推理过程。
03 / BEYOND RESEARCH
Cars.
Photography.
研究之外，我把镜头对准机械的速度感与夜空的尺度感。它们让我用另一种方式观察运动、光线与结构。
AUTOMOTIVE / 01
ASTRO / 02
ASTRO / 03
AUTOMOTIVE / 04
AUTOMOTIVE / 05AUTOMOTIVE DESIGN●MOTION & MECHANICS●LIGHT & COMPOSITION●VISUAL STORYTELLING