Este artículo propone un marco causal de dos etapas, **CAMA (CAusal MAthematician)**, para mejorar las capacidades de razonamiento matemático complejo de los modelos de lenguaje a gran escala (LLM). CAMA combina un algoritmo de descubrimiento causal para conjuntos de datos de pares pregunta-respuesta con conocimiento previo del LLM para generar un grafo causal matemático (MCG). Durante la fase de aprendizaje, el MCG es una representación de alta dimensión de las estrategias de solución, que contiene el conocimiento central y sus dependencias causales. Durante la fase de inferencia, cuando se presenta una nueva pregunta, los subgrafos relevantes se extraen dinámicamente del MCG con base en el contenido de la pregunta y los procesos de inferencia intermedios del LLM, guiando el proceso de inferencia del LLM. Los resultados experimentales demuestran que CAMA mejora significativamente el desempeño del LLM en problemas matemáticos desafiantes, que la guía estructurada supera a la guía no estructurada y que la incorporación de relaciones causales asimétricas produce mayores mejoras que el uso exclusivo de asociaciones simétricas.
