研究揭示自动可解释性评测数据存在结构性捷径
原文标题：Scoring Explanations Without Reading Them: Structural Shortcuts in Automated-Interpretability Evaluation Data
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发现标准流水线构建的自动可解释性评测数据可在不阅读解释的情况下被打分：在 Neuronpedia 存储的 500 个 GPT-2 small 特征上，仅凭中心 token 是否标记的规则即达 0.979 平衡准确率，高于存储的 LLM 打分器 0.838。作者建议评分应与同批次最优无解释规则并列报告。
- 问题
- 自动可解释性评测数据存在结构性捷径，不读解释也能拿高分。
- 方法
- 审计 Neuronpedia 上 500 个 GPT-2 small 特征的模糊测试数据，构造仅依赖中心 token 或标记数量的无解释规则作对照。
- 结果
- 仅凭中心 token 是否标记的规则达 0.979 平衡准确率，高于存储的 LLM 打分器 0.838；仅读标记数量的规则达 0.969。
- 影响
- SAE 可解释性分数可能虚高，评测应同时报告同批次最优无解释基线。
深读 · 结论先行AI 生成展开看要点与影响 ↓
自动可解释性评测数据存在捷径：仅凭中心 token 是否标记的规则即达 0.979 平衡准确率，高于 LLM 打分器 0.838。
- •在 Neuronpedia 存储的 500 个随机 GPT-2 small 特征上，91.3% 激活样本被裁剪为峰值居中。
- •“中心 token 被标记即答是”的规则达平衡准确率 0.979，存储的 LLM 打分器为 0.838。
- •仅读标记数量的规则也达 0.969。
- •捷径随流水线变形：delphi 在负例中总标记同一槽位，全上下文运行负例标记更多 token。
- •OpenAI 模拟基准上，预测前五序列的规则合并相关性 0.227，GPT-4 已发布模拟器为 0.160（事后）。
为什么重要：SAE 特征解释的自动评分若可被无解释规则超越，相关排行榜结论的可信度需重新审视。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。