今天聊點不一樣的，阿里這次沒發新模型，而是給 Qwen3.5 配了把"手術刀"——Qwen-Scope

第一眼看到這玩意兒我愣了一下，平時大家拼的都是榜單分數、上下文長度、推理速度，阿里突然冒出來一個可解釋性工具，專門用來扒大模型腦子里到底在想什么

這就有意思了

簡介

先說人話，Qwen-Scope 是給 Qwen3 / Qwen3.5 系列做的一組稀疏自編碼器（SAE），掛在模型隱藏層上，把那一團亂麻一樣的激活向量拆成一堆"高度解耦、低冗余、可解釋"的特征

Qwen-Scope 架構總覽

打個比方：基礎大模型每一層吐出來的隱藏狀態，是個 5120 維的稠密向量，你看不懂它在說啥；SAE 等于在中間插了一根探針，把這 5120 維"翻譯"成 81920 維稀疏表示，每次只有 50 個特征被激活

被激活的這 50 個特征，每一個都對應一個相對清晰的語義概念，比如"金融文本"、"代碼注釋"、"道歉語氣"之類的人類能看懂的東西

這次發布的這個SAE-Res-Qwen3.5-27B-W80K-L0_50，就是給Qwen3.5-27B這個基礎模型量身訓練的一套 SAE，覆蓋了它全部 64 層

老實說，國內大廠愿意把可解釋性工具開源出來的不多，阿里這波算是把家底亮了一截

核心規格一覽：

參數

數值

基礎模型

Qwen3.5-27B

SAE 寬度d_sae

隱藏維度d_model

5120

擴展倍率

16×

Top-K

50

掛載位置

殘差流（Residual Stream）

覆蓋層數

0–63 共 64 層

文件格式

PyTorch.pt字典

它能干嘛：

• 可控推理：找到對應"禮貌"或"代碼"的特征，把它的激活值拉高，模型輸出立刻就被掰過去了，比 prompt 工程穩得多

• 評測樣本分布分析：拿兩組數據過一遍 SAE，比對激活分布，能看出訓練集和測試集到底差在哪兒

• 數據分類與合成：用激活的特征當聚類信號，給海量語料自動打標，比關鍵詞靠譜

• 模型訓練優化：在訓練階段就盯著特征看，提前發現模型學跑偏了

簡單說，以前我們調模型靠玄學，現在可以靠顯微鏡

架構

這是一個TopK SAE，每次前向傳播嚴格只保留 50 個非零特征，干凈利落

每個層的 checkpoint 文件layer{n}.sae.pt里就是一個 Pythondict，包含四個張量：

Key

Shape

W_enc(81920, 5120)

編碼器權重

W_dec(5120, 81920)

解碼器權重

b_enc(81920,)

編碼器偏置

b_dec(5120,)

解碼器偏置

倉庫里就是 64 個文件，從layer0.sae.pt到layer63.sae.pt，想分析哪一層挑哪個

安裝

它不是獨立的包，本質上就是幾堆權重 + 一段掛 hook 的代碼，所以只要你能跑 transformers 就能跑它

pip install torch transformers

把 Qwen3.5-27B 基礎模型和這個倉庫的.pt文件都拉下來即可，模型倉庫地址是：

https://huggingface.co/Qwen/SAE-Res-Qwen3.5-27B-W80K-L0_50

官方給的端到端 demo 也很直白，三步走：跑基礎模型 → 在指定層 hook 殘差流 → 拿到激活后過一遍 SAE，輸出稀疏特征

直接貼官方代碼：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

 # ── 1. 加載基礎模型 ────────────────────────────────
model_name = "Qwen/Qwen3.5-27B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float32)
model.eval()

 # ── 2. 加載目標層的 SAE ────────────────────────────
LAYER = 0# 任選 0–63
sae = torch.load(f"layer{LAYER}.sae.pt", map_location="cpu")
W_enc = sae["W_enc"]  # (81920, 5120)
b_enc = sae["b_enc"]  # (81920,)

 def get_feature_acts(residual: torch.Tensor) -> torch.Tensor:
    """residual: (..., 5120) → 稀疏特征激活 (..., 81920)"""
    pre_acts = residual @ W_enc.T + b_enc
    topk_vals, topk_idx = pre_acts.topk(50, dim=-1)
    acts = torch.zeros_like(pre_acts)
    acts.scatter_(-1, topk_idx, topk_vals)
    return acts

 # ── 3. 在目標層掛 hook 抓殘差流 ────────────────────
captured = {}

 def _hook(module, input, output):
    hidden = output[0] if isinstance(output, tuple) else output
    captured["residual"] = hidden.detach().cpu()

 hook = model.model.layers[LAYER].register_forward_hook(_hook)

 # ── 4. 前向 ───────────────────────────────────────
text = "The capital of France is"
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
    model(**inputs)
hook.remove()

 # ── 5. 提取特征激活 ───────────────────────────────
residual = captured["residual"]               # (1, seq_len, 5120)
feature_acts = get_feature_acts(residual)     # (1, seq_len, 81920)

 last_token_acts = feature_acts[0, -1]
active_idx = last_token_acts.nonzero(as_tuple=True)[0]
print(f"Active features : {active_idx.tolist()}")
print(f"Feature values  : {last_token_acts[active_idx].tolist()}")

跑完你會得到 50 個激活特征的下標和數值，每個下標對應一個"語義單元"

官方還順手給了一個 Gradio 可視化 demo，能在網頁上交互式看每個特征到底在響應什么：

python app.py \
    --model Qwen/Qwen3.5-27B \
    --model-name-sae-trained-from qwen3.5-27b \
    --model-name-analyzing-now qwen3.5-27b \
    --sae-path Qwen/SAE-Res-Qwen3.5-27B-W80K-L0_50 \
    --top-k 50 \
    --num-layers 64 \
    --sae-width 81920 \
    --d-model 5120 \
    --server-port 7860

打開瀏覽器進localhost:7860就能玩了

? 小提示：官方說了，用基礎模型訓出來的 SAE 拿去分析后訓練（post-training）階段的檢查點，一般也是合理的，不一定非要給微調版本重新訓一套 SAE

我沒本地跑這套（27B 全精度 + 64 層 SAE 權重，對顯存和硬盤都不太友好），但從文檔和參數看，幾個心得分享下：

優點：

• 覆蓋全層：64 層一個不落，縱向研究模型不同深度的功能分化非常方便，這是很多開源 SAE 做不到的

• TopK 設計：相比傳統 L1 稀疏 SAE，TopK 在工程上更可控，特征稀疏度死死鎖在 50，不會漂

• 掛在殘差流：殘差流是 Transformer 里信息高速路，特征解釋性比掛在 attention 輸出或 MLP 輸出更通用

• 配套 Gradio：上手門檻比 Anthropic 的研究代碼低多了

注意點：

• 吃硬盤：64 個 layer，每個 SAE 權重大概都是 (81920×5120)×2 + 偏置，全精度下單層就是 GB 級別，64 層加起來可觀

• 吃顯存：27B 基礎模型本身就重，再加上 SAE 推理，單卡 4090 估計夠嗆，研究用建議直接上 A100/H100

• 場景較窄：這是給做模型機制可解釋性研究、做可控生成、做訓練數據分析的同學準備的，普通業務部署用不上

• 訓練框架未開源：這次只放了權重，訓練代碼暫時沒看到，想自己訓新版本得自己造輪子

老實說，這種工具一般是大廠研究院內部用的，能開源出來就值得點贊

總結

如果你是做大模型可解釋性研究的研究員，或者在做高級可控生成（不止 prompt 工程），又或者在做訓練數據分析、想知道模型到底學到了啥，那這套 Qwen-Scope 真的別錯過——它可能是目前國內最完整、最大規模的開源 SAE 集合

如果你只是想用 Qwen 跑個聊天機器人或者做 RAG，那這玩意兒對你幫助不大，老老實實用 Instruct 版本就行

阿里這一招不在榜單上加分，但在大模型生態深度上加了不少分，模型能力之外，開始卷理解模型本身，這才是頭部玩家該做的事

-Scope

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！