10:39arXiv cs.AI@Yongzhong Xu精选这篇论文提出了一种通过共激活统计聚类注意力头、再用因果消融验证电路的方法。在Pythia 1B和OLMo 1B两个密集模型上,聚类发现的社区通过了消融测试,表明共激活信号能有效识别电路。但在混合专家模型OLMoE-1B-7B中,路由条件聚类虽能恢复统计信号,但消融后反而改善损失,说明信号无效。作者强调,共激活只是电路提案,消融才是确认电路的关键。研究揭示了注意力头选择性和参与度在训练过程中与功能解耦的现象。论文注意力头电路发现共激活因果消融可解释性推荐理由:做模型可解释性研究的团队会感兴趣——这篇论文把共激活聚类和因果消融结合起来,给出了一个验证注意力头电路的实用方法,建议做电路分析的开发者试试这个闭环流程。原文