sae-causal-audit

新研究发现高达77%的AI特征可能无法正常工作

一项新研究表明，稀疏自编码器（SAE）——一种用于机械可解释性的工具——所识别出的特征中，有很大一部分可能实际上无法正常工作。研究发现，尽管高达77%的SAE特征通过了标准的余弦相似度指标，但在其对应概念出现时却从未激活。这表明当前的评估方法可能存在缺陷，因为相关性恢复并不能保证因果行为。该研究提出了一个新的因果验证电池，以更准确地评估特征功能。