Feb, 2024

字典学习改善机械解释性中无补丁电路发现:以奥赛罗-GPT为例

TL;DR基于稀疏字典学习和机制解释性,提出了一种电路发现框架,用于从模型激活中提取更多人可理解的特征。该框架能够识别连接大量字典特征的电路,并在渐近复杂度方面具有更高的效率。在合成任务 Othello 的小型 Transformer 中,发现了许多人可理解的细粒度电路。