Transformer黑盒

问题

1. Transformer是怎么组织和表达自然语言的？

可能的方向

1.  通过不断的训练、运行来对模型的权重进行解析--逆训练
   1. 生成出一系列的最核心的，最有效的样本的数据集，用于蒸馏其他的模型
2. 从单点，添加探针的方式来推断输出的逻辑
   1. 特定样本下各个权重的梯度（对结果的影响力）组成一张针对一个样本的逻辑地图
   2. 通过统计大量样本在单点的情况分析出模型的抽象图
3. 从最后的输出逻辑往前面推理的方式来推断模型的输出逻辑
4. 找到整个模型的最边缘的知识点，最终的知识点，不会被其他知识使用的知识点，唯一的
   1. 判断激活这个知识点的输入的概率的分布情况

《On the Biology of a Large Language Model》

模型先得答案，后编理由。例如，回答“达拉斯所在州的首府”时，模型直接激活“Texas→Austin”的关联，而非逐步推理。

模型在输出语言之前，已在注意力层完成了决策判断。这一点在“Step-skipping reasoning”（跳步推理）机制中表现尤为明显：模型不是一步步的推理证明，而是通过注意力机制聚合关键上下文，直接跳跃式生成答案 输出与推理时序错位。在数学题中，模型先预测答案token，再补全“第一步”“第二步”的伪解释。

要求回答“达拉斯所在的州，州府是哪个城市？” 然而归因图显示模型内部的情况是：

一组激活 “Dallas” 的特征 → 激活“Texas”相关特征；

一组识别“capital”（首府）的特征 → 推动输出“一个州的首府”；

然后 Texas + capital → 推动输出 “Austin”。