title: “Sparse Autoencoder Training” sidebar_label: “Sparse Autoencoder Training” description: “Provides guidance for training and analyzing Sparse Autoencoders (SAEs) using SAELens to decompose neural network activations into interpretable features”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

稀疏自编码器训练

本指南介绍了如何使用 SAELens 训练和分析稀疏自编码器（SAEs），该技术可将神经网络激活值分解为可解释的特征。适用于探索可解释特征、分析叠加效应，或研究语言模型中的单义表示。

技能元数据

参考：完整 SKILL.md 内容

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。技能启用时，智能体将依据此内容执行操作。

::

SAELens：用于机制可解释性的稀疏自编码器

SAELens 是用于训练和分析稀疏自编码器（SAEs）的核心库——这是一种可将多义神经网络激活值分解为稀疏、可解释特征的技术，其设计理念源自 Anthropic 在单义性研究领域的开创性成果。

GitHub 链接：jbloomAus/SAELens（星标数超 1,100 个）

问题所在：多义性与叠加效应

神经网络中的单个神经元具有多义性——它们会在多种语义不同的情境下被激活。这是因为模型利用叠加效应来表示超出神经元数量范围的更多特征，从而导致可解释性降低。

SAE 通过将密集的激活值分解为稀疏、单义的特征来解决这一问题——对于任意给定的输入，通常只有少量特征会被激活，且每个特征都对应一个可解释的概念。

何时使用 SAELens

在以下情况下可使用 SAELens：

• 在模型激活值中挖掘可解释的特征
• 了解模型学到了哪些概念
• 研究叠加效应与特征结构
• 基于特征进行模型调控或消融实验
• 分析与安全性相关的特征（如欺骗行为、偏见、有害内容）

在以下情况下可考虑其他替代方案：

• 需要基础激活值分析 → 直接使用 TransformerLens
• 需要进行因果干预实验 → 使用 pyvene 或 TransformerLens
• 需要用于生产环境中的模型调控 → 考虑直接进行激活值工程优化

安装指南

pip install sae-lens

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

核心概念

SAEs的学习内容

SAEs通过稀疏瓶颈结构进行训练，从而重建模型激活值：

Input Activation → Encoder → Sparse Features → Decoder → Reconstructed Activation
    (d_model)       ↓        (d_sae >> d_model)    ↓         (d_model)
                 sparsity                      reconstruction
                 penalty                          loss

损失函数：MSE(原始数据, 重建结果) + L1系数 × L1(特征值)

关键验证（Anthropic研究）

在《迈向单义性》研究中，人类评估者发现70%的SAE特征确实具有可解释性。已发现的特征包括：

• DNA序列、法律文本、HTTP请求
• 希伯来语文本、营养成分说明、代码语法
• 情感倾向、命名实体、语法结构

工作流程1：加载与分析预训练的SAE模型

分步指南

from transformer_lens import HookedTransformer
from sae_lens import SAE

# 1. Load model and pre-trained 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. Get model activations
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. Encode to SAE features
sae_features = sae.encode(activations)  # [batch, pos, d_sae]
print(f"Active features: {(sae_features > 0).sum()}")

# 4. Find top features for each position
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. Reconstruct activations
reconstructed = sae.decode(sae_features)
reconstruction_error = (activations - reconstructed).norm()

可用的预训练 SAE 模型

检查清单

• 使用 TransformerLens 加载模型
• 为目标层加载对应的 SAE 模型
• 将激活值编码为稀疏特征
• 确定每个标记的顶级激活特征
• 验证重建质量

工作流程 2：训练自定义 SAE 模型

分步指南

from sae_lens import SAE, LanguageModelSAERunnerConfig, SAETrainingRunner

# 1. Configure training
cfg = LanguageModelSAERunnerConfig(
    # Model
    model_name="gpt2-small",
    hook_name="blocks.8.hook_resid_pre",
    hook_layer=8,
    d_in=768,  # Model dimension

    # SAE architecture
    architecture="standard",  # or "gated", "topk"
    d_sae=768 * 8,  # Expansion factor of 8
    activation_fn="relu",

    # Training
    lr=4e-4,
    l1_coefficient=8e-5,  # Sparsity penalty
    l1_warm_up_steps=1000,
    train_batch_size_tokens=4096,
    training_tokens=100_000_000,

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

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

    # Checkpointing
    checkpoint_path="checkpoints",
    n_checkpoints=5,
)

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

# 3. Evaluate
print(f"L0 (avg active features): {trainer.metrics['l0']}")
print(f"CE Loss Recovered: {trainer.metrics['ce_loss_score']}")

关键超参数

评估指标

检查清单

• 选择目标层及挂接点
• 设置扩展因子（d_sae = 4-16× d_model）
• 根据期望的稀疏度调整 L1 系数
• 启用 L1 温暖启动机制以防止特征失效
• 在训练过程中监控各项指标（使用 W&B 工具）
• 验证 L0 值及 CE 损失的恢复情况
• 检查失效特征的比例

工作流程 3：特征分析与调控

单个特征的分析

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"
)

# Find what activates a specific feature
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}")

功能引导

def steer_with_feature(model, sae, prompt, feature_idx, strength=5.0):
    """Add SAE feature direction to residual stream."""
    tokens = model.to_tokens(prompt)

    # Get feature direction from decoder
    feature_direction = sae.W_dec[feature_idx]  # [d_model]

    def steering_hook(activation, hook):
        # Add scaled feature direction at all positions
        activation += strength * feature_direction
        return activation

    # Generate with steering
    output = model.generate(
        tokens,
        max_new_tokens=50,
        fwd_hooks=[("blocks.8.hook_resid_pre", steering_hook)]
    )
    return model.to_string(output[0])

功能归因

# Which features most affect a specific output?
tokens = model.to_tokens("The capital of France is")
_, cache = model.run_with_cache(tokens)

# Get features at final position
features = sae.encode(cache["resid_pre", 8])[0, -1]  # [d_sae]

# Get logit attribution per feature
# Feature contribution = feature_activation × decoder_weight × unembedding
W_dec = sae.W_dec  # [d_sae, d_model]
W_U = model.W_U    # [d_model, vocab]

# Contribution to "Paris" logit
paris_token = model.to_single_token(" Paris")
feature_contributions = features * (W_dec @ W_U[:, paris_token])

top_features = feature_contributions.topk(10)
print("Top features for 'Paris' prediction:")
for idx, val in zip(top_features.indices, top_features.values):
    print(f"  Feature {idx.item()}: {val.item():.3f}")

常见问题与解决方案

问题：无效功能比例过高

# WRONG: No warm-up, features die early
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=1e-4,
    l1_warm_up_steps=0,  # Bad!
)

# RIGHT: Warm-up L1 penalty
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=8e-5,
    l1_warm_up_steps=1000,  # Gradually increase
    use_ghost_grads=True,   # Revive dead features
)

问题：重建效果不佳（CE恢复率低）

# Reduce sparsity penalty
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=5e-5,  # Lower = better reconstruction
    d_sae=768 * 16,       # More capacity
)

问题：功能无法被解析

# Increase sparsity (higher L1)
cfg = LanguageModelSAERunnerConfig(
    l1_coefficient=1e-4,  # Higher = sparser, more interpretable
)
# Or use TopK architecture
cfg = LanguageModelSAERunnerConfig(
    architecture="topk",
    activation_fn_kwargs={"k": 50},  # Exactly 50 active features
)

问题：训练过程中出现内存错误

cfg = LanguageModelSAERunnerConfig(
    train_batch_size_tokens=2048,  # Reduce batch size
    store_batch_size_prompts=4,    # Fewer prompts in buffer
    n_batches_in_buffer=8,         # Smaller activation buffer
)

与 Neuronpedia 的集成

您可以在 neuronpedia.org 上浏览预训练的 SAE 特征：

# Features are indexed by SAE ID
# Example: gpt2-small layer 8 feature 1234
# → neuronpedia.org/gpt2-small/8-res-jb/1234

核心类参考

参考文档

如需详细的API文档、教程及高级用法，请查看references/目录：

外部资源

教程

• 基础加载与分析
• 训练稀疏自编码器
• ARENA SAE课程体系

学术论文

• 迈向单义性 - Anthropic（2023年）
• 扩展单义性能力 - Anthropic（2024年）
• 稀疏自编码器可挖掘高度可解释的特征 - Cunningham等人（ICLR 2024）

官方文档

• SAELens文档
• Neuronpedia - 特征浏览器

SAE架构类型

# TopK SAE (exactly 50 features active)
cfg = LanguageModelSAERunnerConfig(
    architecture="topk",
    activation_fn="topk",
    activation_fn_kwargs={"k": 50},
)