研究显示可解释性工具在评估真实行为时效果有限

saprmarks · x · 2026-08-22

针对“为何可解释性工具能辅助游戏审计却在此处失效”的疑问，作者解释：在游戏审计中，如发现大量非转录本中的“香蕉”提及，可简单推断存在相关模型生物。但在真实环境的行为分析中，无监督工具输出通常不直接回答问题，且伴随数千令牌的噪音，需像“看茶渣”一样根据概念与Token的邻近关系进行假设加权。研究结果表明，平均而言，现有的可解释性工具无法有效帮助预测模型在真实场景中的行为。