任务表现并不决定智能体保留哪种干预机制。我们提出因果保持的概念：在训练结束后，冻结的学习状态能否回答一个独立于训练的机制探测映射，该映射包括动作、上下文、直接目标、价值和延迟等维度。对于有限结构因果模型类，最优探测误差等价于贝叶斯决策风险。当每个学习‑接口纤维全部落在同一探测‑答案纤维内时，该风险恰好为零；任何对该接口的后处理仍保持相同的下界。我们给出后验覆盖定理来描述预算受限的重新测试，并通过精确编辑分解证明，偏移集合是无误差目标更新的唯一支持。Causal Core 通过证据门控写入、读出过滤、时间信用、隐藏上下文设置以及局部诊断更新实现上述条件。实验覆盖有限因果系统、连续模拟器、官方 TD‑MPC2 世界模型以及 Qwen2.5‑7B‑Instruct。冻结的 Qwen 最后一层探针在源机制上达到 0.958 的平衡准确率，但在延迟变化时降至 0.583；门控机制状态实现 1.000 的准确率，仅接受 0.056 的同步读出候选。TD‑MPC2 中每个执行器的五个目标状态将效应符号准确率从 0.057 提升至 0.948，且不影响稳定响应。由此可见，因果保持区别于任务充分性和源域可解码性。
点评