摘要：推出“电路追踪”（circuit tracing）工具，可以帮大伙儿读懂大模型的“脑回路”，追踪其思维过程。

西风 发自 凹非寺

Claude团队来搞开源了——

推出“电路追踪”（circuit tracing）工具，可以帮大伙儿读懂大模型的“脑回路”，追踪其思维过程。

该工具的核心在于生成归因图（attribution graphs），其作用类似于大脑的神经网络示意图，通过可视化模型内部超节点及其连接关系，呈现LLM处理信息的路径。

研究人员通过干预节点激活值，观察模型行为变化，从而验证各节点的功能分工，解码LLM的“决策逻辑”。

官方表示，此次发布的开源库支持在主流开源权重模型上快速生成归因图，而Neuronpedia托管的前端界面则进一步允许用户交互式探索。

总之，研究人员能够：

Anthropic CEO Dario Amodei表示：

目前，我们对AI内部运作的理解远远落后于其能力的发展。通过开源这些工具，我们希望让更广泛的社区更容易研究语言模型的内部机制。我们期待看到这些工具在理解模型行为方面的应用，以及对工具本身的改进拓展。

目前，该项目开源不到24小时，在GitHub就已揽获400+Star。

在Reddit、X上都有不少网友点赞&讨论。

有网友直呼“DeepSeek肯定喜欢这个”。

还有网友认为“归因图可能成为LLM研究的显微镜”。

除了宣布开源外，Anthropic依据介绍电路追踪方法的原始论文《On the Biology of a Large Language Model》中多步推理和多语言电路示例，利用该工具深入探究了几个涉及Gemma-2-2b的归因图。

一起来看看具体示例和分析。

如果想生成自己的图，可以在Neuronpedia上进行操作，也可以直接在Colab中使用这个起始notebook进行操作。

先来看一个两阶推理示例。

问题：包含达拉斯的州的首府是？（Fact: The capital of the state containing Dallas is → Austin）

模型必须首先推断出包含达拉斯的州是得克萨斯州；然后，回答得克萨斯州首府是奥斯汀。

介绍电路追踪方法的原始论文中表明，模型Claude 3.5 Haiku使用以下电路解决了该问题，计算了“包含达拉斯的州”这一中间步骤。

而对Gemma 2（2B）进行归因分析表明，它使用以下电路成功完成了prompt任务：

该电路结构与Claude 3.5 Haiku的类似，存在一个对应“得克萨斯州”的节点，并同时显示从“达拉斯”到“奥斯汀”的直接路径以及经过“得克萨斯州”的间接路径。

归因图基于使用transcoders来近似多层感知机（MLP）的行为，提出了关于模型行为的假设。

Anthropic表示，可以通过直接对底层模型进行干预，来验证他们对模型行为的理解是否正确。

对图中所示的每个超节点（supernodes）进行干预，首先需要从该图中获取超节点。

Anthropic提供了一个便捷函数，可将电路URL（及其中存储的超节点）映射到Feature对象列表。每个Feature对象是一个(layer, position, feature_index)元组。

然后，创建用于解决此任务的电路表示。

首先需定义一些超节点对象（Supernode objects），这些对象将存储底层Feature列表，以及受其因果影响的子超节点。

再初始化一个干预图（InterventionGraph），用于存储所有超节点并跟踪它们的状态。

另外，还需要获取模型在此提示下的logits和激活值。

设置每个节点的默认激活值（即未进行干预时，原始提示下的激活值），并设定其激活分数，激活分数为节点当前激活值与默认激活值的比值。

由于当前激活值与默认激活值相同，因此每个节点的激活分数均为100%。

另外还将记录top-5的logits，然后对图表进行可视化。

结果显示电路与在可视化完整图表时创建的超节点吻合。

现在，通过干预验证每个超节点是否如假设般发挥作用，每次干预会将节点值设定为原始值的特定倍数。

在介绍电路追踪方法的原始论文中，关闭“说出一个首府”（Say a capital）Feature会导致“说出奥斯汀”（Say Austin）超节点关闭，且模型的最高logits变为得克萨斯州（Texas）。

若接下来对Gemma 2（2B）归因图进行相同操作，会发生什么？

结果观察到了完全相同的现象。强行关闭“说出一个首府”超节点后，“说出奥斯汀”节点也随之关闭，模型的最高logit变为了得克萨斯州。

那如果关闭“首府”（capital）超节点会怎样？

与之前的干预行为类似：关闭“说出一个首府” 超节点，但没有像之前那样强烈，也部分关闭了“说出奥斯汀”节点。

如果我们关闭“得克萨斯州”超节点会怎样？

关闭“得克萨斯州”超节点同样会使“说出奥斯汀”节点失效，导致模型输出其它州的首府。

如果关闭“州”（state）超节点会怎样？

关闭“州”超节点效果并不明显，它对其它超节点的激活状态几乎没有影响，模型的logits也几乎没有变化。

现在已经通过剔除节点验证了其行为。

那么，能否注入完全不同的节点并验证其是否产生预期效果？

以prompt“包含奥克兰的州的首府是（ Fact: The capital of the state containing Oakland is → Sacramento）”中的电路为例，从该图中提取两个超节点“加利福尼亚州”（California）和 “说出萨克拉门托”（Say Sacramento），并将其添加到干预图中。

然后，进行干预操作：关闭“得克萨斯州”超节点，并激活“加利福尼亚州”超节点。

这样做导致“说出奥斯汀”节点完全关闭，而“说出萨克拉门托”节点开始激活，模型最高输出现在也变为萨克拉门托。

还可以将州替换为国家进行类似实验。以Prompt“包含上海的国家的首都是（Fact: The capital of the country containing Shanghai is → Beijing）”的电路为例，执行与之前完全相同的操作：

禁用“得克萨斯州”超节点，并激活“中国”超节点。这次虽然没有“说出北京”节点，但这种干预的效果应该会在logits中显现。

结果同样有效，北京现在成为模型最可能的输出。

那总是会有效吗？

再用Prompt“包含温哥华的地区的首府是（Fact: the capital of the territory containing Vancouver is → Victoria）”的电路来试试。

在这种情况下，干预效果并不显著。

接下来Anthropic还探讨了原论文中研究的多语言电路。

具体而言，将考察三个电路，分别对应三种语言的同一句子：

关于Claude 3.5 Haiku的研究展示了一个共享的多语言电路：

与Haiku的电路不同，Gemma 2（2B）的电路从本质上完全具备多语言特性。

模型中并不存在独立的“Say big”或“Say grand”超节点来驱动其用特定语言输出对应答案。相反，所有电路均采用 “Say big”Feature，若答案为非英语，则会结合“French”或“Chinese”Feature共同作用。

接下来，通过对这些电路进行干预实验来展开研究。

首先，如前所述创建超节点对象（Supernode objects）：

然后，获取这些节点的激活值，对其进行初始化，并生成可视化图表。

现在进行第一次干预操作：关闭“French”超节点。

在关闭“French”超节点后，模型输出变成了英文。

值得注意的是，这对“Say big”超节点仅产生轻微影响，二者的作用似乎相互独立。

再尝试将语言切换为另一种：关闭“French”超节点，并激活“Chinese”超节点。

正如预期，干预后的模型输出与中文示例的原始输出一致。

那如果将“small”Feature替换为“big”会怎样？

将“small”超节点替换为“big”超节点后，导致“说出big”超节点关闭，同时一个新的“Say small”超节点被激活。

模型的输出在法语中变为“petit”（即 “small”）。

接下来是最后一项干预，能否将“opposite”（反义词）超节点替换为 “synonym”（同义词），以获取同义输出？

虽然该模型并不擅长处理同义词：当输入“Un synonyme de ‘petit’ est ‘”（“petit”的同义词是“”）时，模型会重复输出“petit”，而非其它同义词。

但是，仍可观察此干预是否会复现该行为。

不过最终这项干预并未奏效。尽管“Say small”超节点被激活，但“Say big”也保持激活状态，模型的输出并未改变。

Anthropic团队认为这并不意外，如果观察该任务的原始电路，会发现“opposite”（反义词）超节点与输出端仅存在弱连接。因此，尽管它本应发挥作用，但其因果效应相当有限。

更多细节大伙儿可自行查阅。

另外作为启发，Anthropic在demo notebook和Neuronpedia上提供了尚未分析的额外归因图，感兴趣的童鞋可以亲自上手研究研究。

GitHub链接：https://github.com/safety-research/circuit-tracer?tab=readme-ov-file
参考链接：
[1]https://x.com/anthropicai/status/1928119229384970244?s=46
[2]https://www.anthropic.com/research/open-source-circuit-tracing

— 完 —

来源：量子位一点号