论文提出 MoWE：稀疏路由让模型输出坐标可解释
原文标题：Mixture of Wide Experts: Sparse Routing for Interpretable Native Coordinates
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。
论文提出 Mixture of Wide Experts（MoWE），一种稀疏前馈层，被选中的专家读取完整表示但写入固定且互不重叠的输出坐标。在约 100 亿 token 训练下，MoWE 交叉熵为 2.417，优于稠密模型的 2.452，且原生坐标可读性得分 0.523 高于稠密模型与标准 MoE。
- 问题
- 语言模型把概念分散在众多内部维度，特征难以直接解释。
- 方法
- MoWE 稀疏前馈层让专家读取完整表示但写入固定互不重叠的输出坐标，原生可解释。
- 结果
- 100 亿 token 训练下交叉熵 2.417 优于稠密 2.452，坐标可读性得分 0.523 高于稠密 0.375 与标准 MoE 0.268。
- 影响
- 为可解释性提供免 SAE 后处理的架构路径，但交叉熵仍落后标准 MoE。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MoWE让专家写入固定不重叠坐标，100亿token下交叉熵2.417优于稠密的2.452，可读性0.523。
- •MoWE是稀疏前馈层：被选专家读完整表示，但写入固定且互不重叠的输出坐标
- •约等算力下各架构训练两个19层模型、各100亿token；MoWE交叉熵2.417，稠密2.452，标准MoE为2.22
- •原生坐标可读性特异性得分：MoWE 0.523、稠密0.375、标准MoE 0.268
- •同FFN上训练的TopK SAE得分为稠密0.489、MoWE 0.556，MoWE原生坐标已接近稠密SAE
- •案例研究中识别出支撑「直角后预测度数」的四坐标因果路径
为什么重要：提供一条不依赖事后SAE、直接让模型学出可解释坐标的路线；但标准MoE交叉熵更低，可解释性与性能仍需权衡。
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。