OpenAI开源大模型调测工具Transformer Debugger（TDB）：可以在训练大模型之前理解模型的运行情况并干预

自从OpenAI转向盈利化运营之后，很少再开源自己的技术。但就在刚才，OpenAI开源了一个全新的大模型调测工具：Transformer Debugger。这个工具可以帮助开发者调测大模型的推理情况，帮助我们理解模型的输出并提供一定的解释支持。

为什么大语言模型难以调测和解释

大语言模型需要大量的计算资源来训练，包含了数以千亿的参数。因为其复杂性和“黑盒”性质，使得模型内的决策过程变得难以理解。尽管近年来出现了一些解释AI模型的方法和工具，但对于非常大和复杂的模型，这些方法往往效果有限或者难以应用。

特别的，对于指定的prompt，为什么大语言模型会输出特定的内容这个问题，在当前是非常难以理解但却非常有价值。如果能理解大模型的输出是什么样的机制或者由哪些网络决定的，可以帮助我们进一步优化大模型的训练质量。

目前，业界非常缺少这样一个工具。而OpenAI刚刚开源的这个Transformer Debugger则以可视化的形式帮助我们理解语言模型的推理过程。

Transformer Debugger工具简介

Transformer Debugger（TDB）是OpenAI的超级对齐团队开源的一个可视化web工具，可以支持我们对“小的”语言模型的特定行为进行观察和干预。

OpenAI对TDB的解释如下：

TDB允许在编码之前快速地探索模型的工作原理，它能够介入模型的前向传播过程，让我们可以直观地看到某个特定操作如何影响模型的行为。例如，我们可以利用它来探讨“为什么面对同一个输入提示，模型会选择输出Token A而不是Token B？”或是“为什么在某个特定的输入下，某个注意力机制（Attention Head）会偏好于Token T？”TDB通过识别对模型行为有显著影响的特定组成部分（如神经元、注意力机制头部、自编码器的潜在表示等），并自动提供这些组成部分被激活的原因解释，以及它们之间的联系，来帮助我们发现和理解复杂的模型内部工作机制。

具体来说，Transformer Debugger提供如下能力。

Transformer Debugger基本能力

下图展示了Transformer Debugger对某个特定的prompt是如何展示结果的。

简单来说，当你输入某个prompt之后，模型会给出推理过程某个attention的结果，例如里面的attn_L9_9表示第9层的第9个attention的激活函数是0.67，以及它对后续输出的影响。如果你想看到具体的这个attention的作用，那么可以继续用下面的工具。

神经元可视化（Neuron Viewer）

这个功能是一个React APP，可以展示单个模型组件信息，包括模型的神经元、attention heads和autoencoder latents。这个组件可以帮助我们看到某个具体的模型模块的结果。例如点击上面的attn_L9_9就能得到下面的界面。

如下图所示：

在这里，最上面的Prompt of interest是指输入的prompt，中间的Model-generated explantions是对当前选中单词的解释。这里的使用青色和品红色来表示不同的Token间的注意力关系和激活程度。亮青色代表一个Token接受了大量来自后续Token的注意力，而亮品红色代表后续Token接受了来自当前Token的重要信息。

总结一下，OpenAI Transformer Debugger的功能如下：

• 神经元观察器（Neuron viewer）：这是一个基于React的应用程序，提供了关于各种语言模型组件的详细信息，包括多层感知器(MLP)神经元、注意力机制单元以及自编码器的隐藏特征向量。
• 激活服务器（Activation server）：这是一个负责后台计算的服务器，它通过对特定的模型进行数据分析（推理），为TDB提供支持。此外，它还能从Azure的公共云存储服务中读取并提供数据。
• 模型库（Model）：这是一个针对GPT-2模型及其自编码器的简化推理工具库，它包括了一些功能，可以捕捉到模型激活时的关键信息。
• 汇总激活数据集（Collated activation datasets）：这部分数据集包含了触发MLP神经元、注意力机制单元和自编码器隐藏特征向量最强反应的数据示例，为模型分析提供重要参考。

Transformer Debugger开源地址和其它资源

Transformer Debugger的开源地址：https://github.com/openai/transformer-debugger

此外，Transformer Debugger工具使用了此前OpenAI做的大模型解释服务，这部分参考：OpenAI官方最新研究成果：如何用GPT-4这样的语言模型来解释语言模型中的神经元（neurons）

以及Anthropic的工作（如何通过稀疏自编码器(sparse autoencoder)从神经网络中提取出可解释的特征(features)）：https://transformer-circuits.pub/2023/monosemantic-features