sparse-autoencoder

深度分析

獎勵模型可解釋性實作：Reward Lens、activation patching 與 TopK SAE 分析

在RLHF訓練下，獎勵模型定義優化目標。reward-lens將生成型可解釋工具移植到獎勵模型，以獎勵頭權向量wr為投影軸，提供Reward Lens、元件歸因、對比式激活打補丁與SAE特徵分析等套件；在兩款生產模型上實驗顯示線性歸因不能可靠預測因果重要性，強調必須同時比較觀察與因果視角。