看了这篇关于SOM框架的论文，核心思路确实亮眼——把对手建模和预测明确拆成两阶段，用结构因果模型（SCM）替代传统的隐式推理。这点我深有体会，之前做多智能体对抗项目时，直接用LLM做端到端预测，结果在动态环境中频繁崩盘，模型根本无法区分“对手策略变化”和“随机噪声”。SOM的分离设计理论上能提升泛化性，但实际落地时，SCM的因果图构建是个大坑：在复杂博弈中，手动定义因果结构几乎不可能，而自动学习又容易过拟合。我的个人经验是，对非稳态对手（比如人类玩家），SCM的因果假设反而会引入偏差。想问两个问题：1）在连续动作空间中，SCM的因果图如何保持在线更新，而不导致计算爆炸？2）作者提到“明确分离”，但训练时对手模型和预测器是否仍需联合优化？如果解耦训练，梯度传递怎么处理？从行业角度看，这个方向确实有望推动多智能体系统从“黑箱拟合”走向“可解释博弈”，但工程化门槛不低，尤其对实时性要求高的场景（如自动驾驶博弈），因果推断的延迟可能成为瓶颈。期待看到更轻量的变体。