Skip to main content

稀疏自编码器训练

提供使用 SAELens 训练和分析稀疏自编码器（SAE）的指南，将神经网络激活分解为可解释的特征。在发现可解释特征、分析叠加或研究语言模型中的单一语义表示时使用。

技能元数据​

来源可选 — 使用 hermes skills install official/mlops/saelens 安装
路径optional-skills/mlops/saelens
版本1.0.0
作者Orchestra Research
许可证MIT
依赖项sae-lens>=6.0.0, transformer-lens>=2.0.0, torch>=2.0.0
平台linux, macos, windows
标签稀疏自编码器, SAE, 机制可解释性, 特征发现, 叠加

参考：完整 SKILL.md​

info

以下是该技能被触发时 Hermes 加载的完整技能定义。即技能激活后 Agent 所看到的指令。

SAELens：用于机制可解释性的稀疏自编码器

SAELens 是训练和分析稀疏自编码器（SAE）的主要库——这是一种将多语义神经网络激活分解为稀疏、可解释特征的技术。基于 Anthropic 在单一语义性方面的开创性研究。

GitHub：jbloomAus/SAELens（1100+ 星标）

问题：多语义性与叠加​

神经网络中的单个神经元是多语义的——它们会在多个语义不同的上下文中激活。这是因为模型利用叠加来表示比神经元数量更多的特征，这使得可解释性变得困难。

SAE 解决了这个问题，它将稠密激活分解为稀疏、单一语义的特征——通常对于任何给定输入，只有少量特征被激活，且每个特征对应一个可解释的概念。

何时使用 SAELens​

在以下场景使用 SAELens：

  • 发现模型激活中的可解释特征
  • 理解模型学到的概念
  • 研究叠加和特征几何
  • 执行基于特征的引导或消融
  • 分析与安全相关的特征（欺骗、偏见、有害内容）

在以下场景考虑替代方案：

  • 需要基本的激活分析 → 直接使用 TransformerLens
  • 进行因果干预实验 → 使用 pyvene 或 TransformerLens
  • 需要生产级引导 → 考虑直接激活工程

安装​

pip install sae-lens

要求：Python 3.10+、transformer-lens>=2.0.0

核心概念​

SAE 学到了什么​

SAE 通过稀疏瓶颈来训练重建模型激活：

输入激活 → 编码器 → 稀疏特征 → 解码器 → 重建激活
 (d_model)       ↓       (d_sae >> d_model)    ↓       (d_model)
              稀疏性惩罚                  重建损失

Loss Function: MSE(original, reconstructed) + L1_coefficient × L1(features)

关键验证（Anthropic Research）​

在《Towards Monosemanticity》中，人类评估者发现 70% 的 SAE 特征确实可解释。发现的特征包括：

  • DNA 序列、法律语言、HTTP 请求
  • 希伯来文本、营养声明、代码语法
  • 情感、命名实体、语法结构

Workflow 1: 加载并分析预训练 SAE​

分步操作​

from transformer_lens import HookedTransformer
from sae_lens import SAE

# 1. 加载模型和预训练 SAE
model = HookedTransformer.from_pretrained("gpt2-small", device="cuda")
sae, cfg_dict, sparsity = SAE.from_pretrained(
    release="gpt2-small-res-jb",
    sae_id="blocks.8.hook_resid_pre",
    device="cuda"
)

# 2. 获取模型激活值
tokens = model.to_tokens("The capital of France is Paris")
_, cache = model.run_with_cache(tokens)
activations = cache["resid_pre", 8]  # [batch, pos, d_model]

# 3. 编码为 SAE 特征
sae_features = sae.encode(activations)  # [batch, pos, d_sae]
print(f"激活的特征数量: {(sae_features > 0).sum()}")

# 4. 找出每个位置的最强特征
for pos in range(tokens.shape[1]):
    top_features = sae_features[0, pos].topk(5)
    token = model.to_str_tokens(tokens[0, pos:pos+1])[0]
    print(f"Token '{token}': features {top_features.indices.tolist()}")

# 5. 重建激活值
reconstructed = sae.decode(sae_features)
reconstruction_error = (activations - reconstructed).norm()

可用的预训练 SAE​

ReleaseModelLayers
gpt2-small-res-jbGPT-2 Small多个残差流
gemma-2b-resGemma 2B残差流
HuggingFace 上的其他模型搜索标签 saelens多种

检查清单​

  • 使用 TransformerLens 加载模型
  • 加载与目标层匹配的 SAE
  • 将激活值编码为稀疏特征
  • 识别每个 token 的最强激活特征
  • 验证重建质量

Workflow 2: 训练自定义 SAE​

分步操作​

from sae_lens import SAE, LanguageModelSAERunnerConfig, SAETrainingRunner

# 1. 配置训练
cfg = LanguageModelSAERunnerConfig(
    # 模型
    model_name="gpt2-small",
    hook_name="blocks.8.hook_resid_pre",
    hook_layer=8,
    d_in=768,  # 模型维度

    # SAE 架构
    architecture="standard",  # 或 "gated", "topk"
    d_sae=768 * 8,  # 扩展因子 8
    activation_fn="relu",

    # 训练
    lr=4e-4,
    l1_coefficient=8e-5,  # 稀疏性惩罚
    l1_warm_up_steps=1000,
    train_batch_size_tokens=4096,
    training_tokens=100_000_000,

    # 数据
    dataset_path="monology/pile-uncopyrighted",
    context_size=128,

    # 日志
    log_to_wandb=True,
    wandb_project="sae-training",

    # 检查点
    checkpoint_path="checkpoints",
    n_checkpoints=5,
)

# 2. 训练
trainer = SAETrainingRunner(cfg)
sae = trainer.run()

# 3. 评估
print(f"L0（平均激活特征数）: {trainer.metrics['l0']}")
print(f"CE Loss Recovered: {trainer.metrics['ce_loss_score']}")

关键超参数​

参数典型值效果
d_sae4-16× d_model更多特征，更高容量
l1_coefficient5e-5 至 1e-4值越大越稀疏，但精度下降
lr1e-4 至 1e-3标准优化器学习率
l1_warm_up_steps500-2000防止早期特征死亡

评估指标​

指标目标值含义
L050-200每个 token 的平均激活特征数
CE Loss Score80-95%恢复的交叉熵与原始交叉熵之比
Dead Features<5%从未激活的特征占比
Explained Variance>90%重建质量

检查清单​

  • 选择目标层和钩子点
  • 设置扩展系数（d_sae = 4-16× d_model）
  • 调整 L1 系数以达到期望的稀疏度
  • 启用 L1 warm-up 以防止特征死亡
  • 训练期间监控指标（W&B）
  • 验证 L0 和 CE Loss 恢复情况
  • 检查死亡特征比例

工作流 3：特征分析与引导​

分析单个特征​

from transformer_lens import HookedTransformer
from sae_lens import SAE
import torch

model = HookedTransformer.from_pretrained("gpt2-small", device="cuda")
sae, _, _ = SAE.from_pretrained(
    release="gpt2-small-res-jb",
    sae_id="blocks.8.hook_resid_pre",
    device="cuda"
)

# 找出什么会激活特定特征
feature_idx = 1234
test_texts = [
    "The scientist conducted an experiment",
    "I love chocolate cake",
    "The code compiles successfully",
    "Paris is beautiful in spring",
]

for text in test_texts:
    tokens = model.to_tokens(text)
    _, cache = model.run_with_cache(tokens)
    features = sae.encode(cache["resid_pre", 8])
    activation = features[0, :, feature_idx].max().item()
    print(f"{activation:.3f}: {text}")

特征引导​

def steer_with_feature(model, sae, prompt, feature_idx, strength=5.0):
    """将 SAE 特征方向添加到残差流中。"""
    tokens = model.to_tokens(prompt)

    # 从解码器获取特征方向
    feature_direction = sae.W_dec[feature_idx]  # [d_model]

    def steering_hook(activation, hook):
        # 在所有位置添加缩放后的特征方向
        activation += strength * feature_direction
        return activation

    # 使用引导进行生成
    output = model.generate(
        tokens,
        max_new_tokens=50,
        fwd_hooks=[("blocks.8.hook_resid_pre", steering_hook)]
    )
    return model.to_string(output[0])

特征归因​

# 哪些特征对特定输出影响最大？
tokens = model.to_tokens("The capital of France is")
_, cache = model.run_with_cache(tokens)

# 获取最后一个位置的特征
features = sae.encode(cache["resid_pre", 8])[0, -1]  # [d_sae]

# 获取每个特征的 logit 归因
# 特征贡献 = 特征激活值 × 解码器权重 × 反嵌入
W_dec = sae.W_dec  # [d_sae, d_model]
W_U = model.W_U    # [d_model, vocab]

# 对 "Paris" 这个 logit 的贡献
paris_token = model.to_single_token(" Paris")
feature_contributions = features * (W_dec @ W_U[:, paris_token])

top_features = feature_contributions.topk(10)
print("预测 'Paris' 的 top 特征：")
for idx, val in zip(top_features.indices, top_features.values):
    print(f"  特征 {idx.item()}: {val.item():.3f}")

常见问题与解决方案​

问题：无效特征比例过高​

# 错误：无预热，特征过早失效
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=1e-4,
    l1_warm_up_steps=0,  # 不好！
)

# 正确：对 L1 惩罚进行预热
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=8e-5,
    l1_warm_up_steps=1000,  # 逐步增大
    use_ghost_grads=True,   # 复活无效特征
)

问题：重建效果差（CE 恢复率低）​

# 降低稀疏惩罚
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=5e-5,  # 数值越低，重建效果越好
    d_sae=768 * 16,       # 容量更大
)

问题：特征不可解释​

# 增大稀疏度（更高的 L1）
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=1e-4,  # 数值越高，特征越稀疏、越可解释
)
# 或者使用 TopK 架构
cfg = LanguageModelSAERunnerConfig(
    architecture="topk",
    activation_fn_kwargs={"k": 50},  # 恰好激活 50 个特征
)

问题：训练期间内存错误​

cfg = LanguageModelSAERunnerConfig(
    train_batch_size_tokens=2048,  # 减小批处理大小
    store_batch_size_prompts=4,    # 缓冲区中提示数量减少
    n_batches_in_buffer=8,         # 缩小激活缓冲区
)

与 Neuronpedia 集成​

在 neuronpedia.org 浏览预训练的 SAE 特征：

# 特征按 SAE ID 索引
# 示例：gpt2-small 第 8 层特征 1234
# → neuronpedia.org/gpt2-small/8-res-jb/1234

关键类参考​

类用途
SAE稀疏自编码器模型
LanguageModelSAERunnerConfig训练配置
SAETrainingRunner训练循环管理器
ActivationsStore激活收集与批处理
HookedSAETransformerTransformerLens + SAE 集成

参考文档​

有关详细 API 文档、教程和高级用法，请参见 references/ 文件夹：

文件内容
references/README.md概览与快速入门指南
references/api.mdSAE、TrainingSAE、配置的完整 API 参考
references/tutorials.md涉及训练、分析和特征操控的逐步教程

外部资源​

教程​

论文​

官方文档​

SAE 架构​

架构描述用途
StandardReLU + L1 惩罚通用目的
Gated学习门控机制更好的稀疏性控制
TopK恰好 K 个活跃特征一致的稀疏性
# TopK SAE（恰好 50 个特征活跃）
cfg = LanguageModelSAERunnerConfig(
    architecture="topk",
    activation_fn="topk",
    activation_fn_kwargs={"k": 50},
)