Tracing the thoughts of a large language model

这篇论文通过电路追踪方法（Circuit Tracing）揭示了大型语言模型Claude 3.5 Haiku的内部机制，其核心原理可归纳为以下几个方面：

1. 方法论核心：归因图与替换模型

• 替换模型（Replacement Model）
  使用跨层转码器（CLT）将原始模型的神经元替换为稀疏激活的“特征”（features）。这些特征通常代表可解释的概念（如“Texas”“capital”等），从而构建更易理解的计算图。
• 归因图（Attribution Graphs）
  通过分析特征间的因果关系，构建从输入到输出的计算路径，揭示模型内部的中间推理步骤。归因图需通过干预实验（如抑制特定特征）验证其真实性。

<