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：
通过生成自有归因图，在支持的模型上进行电路追踪；
在交互式前端中可视化、注释和分享图表；
通过修改特征值并观察模型输出变化来验证假设。
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”。
“电路追踪”食用教程
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。
两阶推理
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。
模型的输出看起来与仅剔除“得克萨斯州”时的结果类似，这表明“不列颠哥伦比亚省”（British Columbia）节点的加入几乎没有产生作用。
多语言电路
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
本文来自微信公众号：量子位（ID：QbitAI），作者：西风，原标题《Claude 团队打开大模型「脑回路」，开源 LLM 思维可视化工具来了》
