本研究探讨了元强化学习在因果推理中的应用，训练递归神经网络进行无模型强化学习，证明其在新情境下进行因果推断和反事实预测的能力。研究提出了新的学习方法和算法，强调因果结构的快速适应性及其在复杂推理场景中的有效性，展示了因果模型的分类和识别方法的进展。

因果强化学习综述：因果模型可解释强化学习行为，在任务预测、满意度和信任方面表现更优；元强化学习能学习干预变量进行因果发现，递归网络可实现因果推理与反事实预测；基于因果世界模型的框架可解释行为的长期效应；现有方法分为两类，因果图增强目标条件强化学习可提升泛化能力；因果推断与离线数据可改善基于模型智能体的泛化保证。综述梳理了该领域的概念、方法分类及未来方向。