Oransim LightGBM分位数世界模型工作原理：3MB模型零GPU跑出P35/P50/P65置信区间

做营销投放前，你敢直接相信一个"点预测"吗？Oransim（Causal Digital Twin for Marketing at Scale，营销因果数字孪生）给出的答案是：不给单值，给区间。它的LightGBM 分位数世界模型（LightGBM Quantile World Model）用一个约3MB的模型文件，在纯 CPU 上以亚毫秒速度输出每个 KPI 的P35/P50/P65 置信区间——零 GPU、零大模型依赖，却支撑着整个"花一分钱之前先推演"的预测链路。

为什么营销预测需要置信区间，而不是一个数字？

传统工具（MMM、AutoML、LLM 黑盒）只能给一个总量数字，回答不了"这组组合 ROI 到底稳不稳"。Oransim 的做法是：

• P50：中位数预期，用于排序比较；
• P35 / P65：保守与乐观边界，构成置信区间；
• 区间覆盖：官方试点退出条件就是——上线前 P35/P65 区间覆盖真实 KPI≥ 80%，不达标直接不收费。

实现上不是"先回归均值再套个方差"，而是直接对每个分位数各训一个回归器（分位数回归 / Quantile Regression，Koenker 2005）。损失函数是pinball loss：分位数 q 下，"低估"和"高估"被不对称地惩罚，天然逼出区间端点，而不是只拟合中心。

3MB 的 pkl 里到底装了什么？

打开仓库自带的世界模型权重文件，核心内容一目了然：

源码入口在 lightgbm_quantile.py，其中LightGBMQuantileWorldModel维护一张kpi → quantile → Booster的嵌套表：预测时就是查字典 + 12 次独立的树评估，这就是"亚毫秒、零 GPU"的全部秘密——梯度提升树推理只做一次前向的路由查找，没有矩阵乘法，CPU 单核就绰绰有余。

23 维特征向量：7 个表格特征 + 16 维"文案"向量

这是该模型最有意思的设计：没有原始文案，模型照样能"读"创意。

7 个标量特征（train_lightgbm_demo.py 中的_vectorize）：

16 维文本嵌入：每个场景会被拼成一句确定性的中文 caption，形如"春季 美妆 新品种草 · 腰部 KOL · 中档预算"（模板逻辑见 scripts_helpers.py），再送入RealTextEmbedder生成向量：

• 配置了OPENAI_API_KEY→ 走text-embedding-3-small；
• 没配 key → 自动退化为确定性 SHA-256 哈希嵌入，离线训练/推理结果逐字节可复现。

随后 PCA 降到 16 维，且PCA 的组件矩阵和均值直接打进 pkl 内部，推理时自动加载应用——部署时不需要再跑一遍训练侧的降维流程。整条嵌入链路与 soul agent 人设匹配、kol_content_match共用同一个 UEB 嵌入总线，避免"两套特征各说各话"。

训练管线：2,000 条合成场景如何变成 12 棵树模型

训练脚本 train_lightgbm_demo.py 的关键步骤：

1. 加载 2,000 条合成场景（由 gen_synthetic_data.py 以 seed 42 生成，校准到公开行业均值，非真实流量）；
2. 拼接 7 标量 + 16 维嵌入 PCA → 23 维特征矩阵；
3. 对每个 KPI、每个分位数各调一次lgb.train：objective=quantile、alpha=q（0.35/0.50/0.65）、300 轮、学习率 0.05、feature_fraction/bagging_fraction=0.9，配合 30 轮 early stopping；
4. 验证集上同时记录pinball loss与R²，并把 booster 以字符串形式序列化进 pkl（model_to_string()，可移植、免 pickle 对象漂移）。

model_card.md 给出的合成验证集成绩（R² @ P50）：

需要诚实说明：这是闭环比对（同一条合成数据生成器产出训练与测试集），衡量的是"模型是否拟合了生成假设"，而非真实流量精度。

推理四步走：从 HTTP 请求到 12 个数

以最快的 HTTP 路径POST /api/v2/world_model/predict?model=lightgbm_quantile（实现见 v2.py）为例，一次预测只做四件事：

1. 查注册表——registry.py 中get_world_model("lightgbm_quantile")按名懒加载，未装 PyTorch 也能跑；
2. 组特征——7 个标量直接取自请求（platform、niche、budget、KOL 层级/粉丝/互动率）；
3. 嵌入+PCA——caption 嵌入后乘上 pkl 内置的 PCA 组件（还带维度一致性检查，维度不匹配会返回可操作的 HTTP 400 而不是晦涩的广播错误）;
4. 12 次树预测——每个 KPI 的 P35/P50/P65 各取一次booster.predict()，打包成kpi_quantiles返回。

也支持 Python API 一步调用：

from oransim.world_model import get_world_model wm = get_world_model("lightgbm_quantile") # 无需 PyTorch pred = wm.predict(features) # 输出各 KPI 的 P35/P50/P65

和 Causal Transformer 是什么关系：分工，不是竞争

很多人会问：既然有 4.3M 参数的 Causal Transformer 世界模型，为什么默认还是 LightGBM？model_card.md 的解释很直白：当前合成数据生成过程（Hill 饱和 + 频率疲劳 + 高斯噪声）完全落在 LightGBM 的假设类内，Transformer 在此只会"参数更多、效果持平"。

• lightgbm_quantile：开箱即用的 shipped 基线，CPU-only，/api/predict默认栈；
• causal_transformer：研究级主力，带 DAG 注意力 + per-arm 反事实头，预训练权重与 OrancBench v0.5 一起发布；未发布期间，LightGBM 就是 torch 缺席时的优雅降级路径。

两者共用同一套 SCM / agent / Hawkes 管道，通过/api/v2/*注册表即可 A/B 切换。

预测出的 P35/P50/P65 并不是终点：漏斗转化率会流入 IPF 校准的百万虚拟消费者 agent 层（如上图的 persona 星图），再经 64 节点因果图与 Hawkes 扩散外推，最终产出 14–19 个 schema 的结构化报告。LightGBM 分位数世界模型正是这条"因果数字孪生"链路的第一个可信数据源。

自己动手：3 条命令复现 3MB 模型

pip install lightgbm scikit-learn python -m backend.scripts.gen_synthetic_data --out data/synthetic python -m backend.scripts.train_lightgbm_demo --data data/synthetic/scenarios_v0_1.jsonl --out data/models/world_model_demo.pkl

训练结束会打印每个 KPI 的 pinball loss 与 R²，产出的 pkl 与仓库内置版本同构（seed=42 下确定性复现）。想换数据源，参考 writing-a-provider.md 接上自己的 DataProvider 即可。

小结

• 3MB 装下 12 个分位数回归器：4 KPI × P35/P50/P65，一次请求输出完整置信区间；
• 零 GPU 的底气：树模型推理 = 查字典 + 树路由，亚毫秒级，无 PyTorch 依赖；
• 文本创意的巧解：确定性中文 caption → 统一嵌入总线 → PCA 16 维，离线可复现、上线可无缝切真嵌入；
• 可审计可复现：seed 42 全流程字节级复现，权重、PCA 组件、训练指标全部随 pkl 自描述，配合 data_card.md 可完整回溯生成过程。

一个 3MB 的文件，换来的不是"更准的猜测"，而是"敢被审计的区间"——这正是 Oransim 把因果数字孪生做成开源基线的意义。