다음 단계 예측만을 위해 훈련된 Mamba 상태 공간 모델은 간단한 출력 계층 $S = |W_{out} W_{in}|$을 통해 Granger-인과 구조를 복구하는 것으로 보입니다. 초기 실험에서는 이 현상이 아키텍처 전반에 걸쳐 일반화되며, $p < 10^{-5}$ 수준의 개입 데이터(interventional data)로부터 이점을 얻는다는 것을 시사했습니다. 우리는 이 주장을 테스트하는 데 사용된 프로토콜—표준화된 합성 생성기(VAR/Lorenz/CauseMe 스타일), 세 가지 개입 의미론($do(X=c)$, 소프트 노이즈, 랜덤 포싱), 세 가지 실제 데이터셋에 대한 엣지 출처 카드(edge-provenance cards), 그리고 크기가 일치하는 통제군(control arms)—을 재사용 가능한 반증 벤치마크로 패키징하고, 이 주장을 다섯 단계에 걸쳐 검토합니다. 방법론적 수준의 주장은 살아남지 않습니다: (i) 단순한 선형 병목 구조가 동등하거나 더 잘 수행하며; (ii) 조정된 Lasso는 합성 CauseMe 스타일 벤치마크와 Lorenz-96(모호하지 않은 참값(ground truth)을 가진 유일한 실제 벤치마크)에서 병목 구조를 능가합니다. 이 경우 고전적인 PCMCI와 Granger가 근접하게 군집을 이루며, 그 안에서 병목 구조는 뒤처집니다; (iii) 주요 개입 우위성은 샘플 크기 교란(sample-size confound)에 의해 약 60% 정도 설명되며, 표준 $do(X=c)$ 개입 하에서는 잔여 효과가 사라지고, 비표준 랜덤 포싱 방식에서만 살아남습니다; (iv) 심지어 그 잔여 효과조차도 고전적인 이변량 Granger에서 더 큰 효과로 재현되는데, 이는 방법론에 구애받지 않는(method-agnostic) 것입니다. 남아 있는 것은 좁은 범위의 특성화 결과이며, 이 벤치마크가 지속적인 산출물이고, 위 각 단계는 그 통제군 중 하나입니다.