多模态大模型做机器人 / 家务规划时，常不知道某个动作在当前环境里什么时候能执行、执行后世界会怎么变。CausGround 不改模型参数，而是把交互记录（动作前后的观察和成败）提炼成以动作为中心的因果知识：每个动作的前提条件和状态效果，组织在“物体属性 + 物体关系”的世界状态表示里。规划时按任务从图里取出相关依赖，倒推前提、正推效果，作为上下文交给大模型。
点赞 3 · 代码星数 1
理由
- 免训练、跨模型：作者称在改造后的 VirtualHome 上平均任务成功率从 24.9% 提到 53.3%，RoboCasa 闭环规划从 43.0% 到 57.0%，SWITCH 交互推理从 25.8% 到 31.9%；README 表格覆盖 Qwen3.5-9B、27B、35B-A3B 三个骨干。
- 可以给自己的环境建图：每条记录给“动作前观察、动作、动作后观察、结果”即可；已经是结构化世界状态时只要 Python 3.10+，文本或图像观察则用 Qwen3.5-9B 经 vLLM 自动抽取。
- 代码、VirtualHome 交互数据（抱脸 YijunShen/CausGround）和 RoboCasa 图都已放出，查询结果直接输出给大模型用的 context.txt。
用法
- 代码：github.com/Intelligent-Interaction/CausGround；建 VirtualHome 图：下载 trajectories.jsonl.xz 后 python -m causground build --input … --effect-policy virtualhome --output outputs/virtualhome。
- 取任务上下文：python -m causground query --graph … --task "Turn on the computer." --mode causal（causal 从目标倒推，semantic 文本检索，hybrid 两者结合；semantic 默认离线 TF-IDF，也可换 Qwen3-Embedding-0.6B）。
- 自己的环境：python -m causground build --format text|image --backend vllm --model-path models/Qwen3.5-9B --input 你的轨迹。
风险
- 仓库产出的是给规划模型的上下文（context.txt / subgraph.json），README 没写完整的规划—执行闭环和论文各基准的评测脚本，复现论文成功率要自己接。
- 要先有足够的交互记录才能建图（VirtualHome 用了 60,957 条），全新环境的冷启动成本未说明；README 未写许可证。
- 提升幅度为作者报告，真实机器人实验只有定性描述。