Agent决策的因果归因：估计器、耦合与可追溯性规范

高风险人工智能系统的提供商必须保留使决策可追溯的记录，而对于智能体系统，尚未确定这些记录必须包含哪些内容才能实现事后因果归因。我们给出了估计器框架，然后给出了它失败的条件。我们将先前工作测量的边际总效应与隔离步骤自身贡献的普通随机数总效应分开，添加固定下游下的自然直接效应，并根据手推导检查估计器。然后，两个估计量都会以相同的方向失败。在边际估计下，因果惰性步骤与我们种植链的每次运行中的决定性步骤具有相同的总效果，这是一种代数恒等式，而不是一次性的巧合。在常见的随机数下，决定性步骤在执行步骤翻转的运行中恰好返回零，大约十分之一，而其直接影响为 0.25，并且它明显起作用；精确的零并不能证明某个步骤没有执行任何操作，我们将其放在这里而不是放在限制中。我们推导了一旦上下文发生分歧，直接效应保持可估计的耦合，并采用封闭形式来降低其退化，并表明建立自然排名的中介份额不是受到抑制的份额：在直接路径和中介路径相反的情况下，它超过 1 并将受抑制的成分排名高于纯中介。我们发布差异实验的预注册而不是结果，因为它所需的实时管道在研究窗口中不可用。我们提供了此类备案所需的可追溯性规范，以弥补该法案日历上出现的空白：第 86 条的解释权自 2026 年 8 月 2 日起适用，而第 12 条记录和附件 IV 可以证明这一权利的文件被法规 (EU) 2026/1744 推迟到 2027 年 12 月 2 日。