大语言模型在时间因果推理方面普遍缺乏深层因果推理能力。受文档布局重排的启发，本文提出将离散叙事转化为因果拓扑的范式转变。
构建了两套架构。第一套是无需训练的神经符号框架——Temporal Causal Reasoning Agent（TCR-Agent），通过外部因果图实例化和符号干预引擎，实现可解释的因果演绎与反事实截断。
第二套是端到端模型——Temporal Causal Reasoning Former（TCR-Former），在 Transformer 注意力空间内内化上述机制，核心包括 Causal-Topological Attention Mask 与 temporal span biases。
在 TempoCausal 基准上实验表明，TCR-Agent 在所有训练免费基线中全面领先。TCR-Former 在准确率上比最先进方法提升 16.5%，且仅使用约 8.6 B 参数，超越 GPT-5.4、DeepSeek-V3.2 等大模型。
进一步分析发现现有方法存在结构-推理脱节：外部符号约束和 chain-of-thought 能提升推理步数，却未增强深层因果演绎能力。TCR-Former 通过把时间因果推理能力内化到模型内部，有效弥合该缺口，为复杂推理场景提供高效可靠的基础。
点评