倾向评分

倾向评分（Propensity Score）源于流行病学与计量经济学，指在观察性数据中利用协变量预测个体接受某项处理（Treatment）的概率。在大模型与人工智能领域，它被广泛应用于评估数据增强策略、提示工程（Prompt Engineering）或模型微调带来的因果效应。其本质是将高维协变量压缩为单一标量，旨在满足条件独立假设（Conditional Independence Assumption），从而在统计上模拟随机化实验，消除选择偏差，是连接机器学习预测能力与因果推断严谨性的关键桥梁。

在现代计算架构与 AI 工程实践中，倾向评分已从传统的统计工具演变为大模型评估体系中的标准组件。随着大模型参数量激增，传统的离线评估（Offline Evaluation）难以反映真实部署效果，而在线评估（Online Evaluation）又面临数据泄露风险。倾向评分通过构建反事实框架，使得工程师能够在不干扰生产环境的前提下，量化不同提示策略、数据分布或模型架构变更带来的因果增益。它已成为构建可信 AI 系统、进行公平性审计以及优化资源分配（如动态提示选择）不可或缺的方法论基石，填补了纯相关性分析与严格因果推断之间的工程鸿沟。