LESSON 5.9 · 理论 · 100 分钟
从激活看内部：可解释性入口
从激活看内部：可解释性入口：理解probing、activation patching、circuits、SAE 直觉，完成“用 TransformerLens 做一次 patching”。属于「让模型成为助手」学习阶段。
学完你应该能够
- 能不用术语堆砌，解释「从激活看内部：可解释性入口」解决了什么问题。
- 能围绕 probing、activation patching、circuits 画出变量与因果关系。
- 能完成「用 TransformerLens 做一次 patching」，并用证据而不是感觉判断结果。
核心概念
probing
probing要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 先给它一个可操作的定义，并指出它解决的具体问题。
activation patching
activation patching要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 把它放进前后依赖中：输入从哪里来，输出会改变谁。
circuits
circuits要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 写出至少一个不变量、shape 约束或成立条件。
SAE 直觉
SAE 直觉要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 用反例说明忽略它时系统会怎样失败。
实践任务
用 TransformerLens 做一次 patching
- 预测：在运行代码前，写下你预期的输出、趋势或失败位置。
- 构建：从具体反例建立动机，只保留回答核心问题所需的最小组件。
- 验证：使用固定评测集、人工复核、置信区间与失败样本分层；保存参数、随机种子与原始结果。
- 迁移：改变用户群、风险等级或奖励信号后重新设计评测，说明原结论是否仍成立。