系统化概括指在已知原子元素的基础上重新组合以解决新问题，这被视为人类智能的核心能力，却难以在受控实验中严格评估。已有工作往往通过三类简化来降低任务难度：① 近似线性动作组合，使归纳推理需求减弱；② 基于生产力的测试，只考察在训练长度范围内的组合能力；③ 动作显式目标，削弱了溯因推理的负担。这些简化让系统化概括更易测量，却可能遗漏关键认知环节。
为揭示缺失之处，我们提出 TranSGrid，一个将演绎、归纳、溯因三种推理统一进同一任务的测试平台。任务要求模型在给定的规则网格中，根据部分观察推断隐藏的因果结构，并生成满足特定目标的动作序列。
我们在 4,800 条 TranSGrid 实例上评估了七种 Transformer 变体。结果显示，所有模型在普通留出测试集上的最高准确率为 79.6%，但在 TranSGrid 上仅为 55.3%，最难子集甚至跌至 15.8%。该差距在训练长度范围内仍然显著，说明仅靠生产力指标不足以衡量系统化概括。
随后，我们分别在 TranSGrid 中恢复两种简化：一是让动作几乎线性组合，降低归纳需求；二是将目标设为动作显式，降低溯因需求。两种改动均使模型表现回升至接近普通测试集的水平，表明任一简化即可将任务降为普通的留出测试。
综上，现有系统化概括任务往往削弱或消除归纳与溯因两类推理的需求。要全面衡量系统化概括能力，必须设计同时涉及演绎、归纳、溯因三种推理的任务。
点评：TranSGrid 为系统化概括提供了更完整的评估框架，提醒研究者在构建基准时不要忽视归纳和溯因推理的作用。