Goodfire 发布 VPD 方法：把语言模型参数分解成可解释子组件

Goodfire 发布《Interpreting Language Model Parameters》研究，提出对抗性参数分解方法 VPD，把语言模型参数拆成多个子组件，每个只实现模型所学算法的一小部分。分解通过优化获得，要求在大量消融（含对抗性选择的破坏性消融）下仍保持输入输出行为，从而得到简短且机制忠实的描述，少量子组件即可解释任意输入下的行为。该工作补上了机械可解释性在参数层的空白。