Transcoder

新方法从密集Transformer中提取可解释电路

研究人员开发了稀疏权重分解（SWD）方法，这是一种从密集预训练Transformer模型中提取可解释电路的新颖方法。与需要额外训练或引入保真度差距的先前方法不同，SWD将权重矩阵分解为稀疏分量，从而无需重新训练即可直接进行电路分析。该技术在性能上可媲美或超越现有方法，同时使用的资源（数据和计算）却显著减少。SWD已在GPT-2、Qwen2.5和Qwen3.5-27B等多种模型上证明了其有效性，并提供了一种零数据变体，以实现更广泛的机械…