技术博客

在NeurIPS 2025会议上，清华大学与上海人工智能实验室联合提出了一种创新的统一特征归因框架——DePass（Decomposed Forward Pass）。该框架通过单次前向传播即可实现特征归因的分解，显著简化了传统归因方法中复杂的计算流程。DePass不仅提升了归因效率，还实现了多种现有归因方法的统一建模，增强了可解释性与一致性。这一进展为深度学习模型的透明化分析提供了高效、可靠的工具，推动AI归因技术迈向更广泛的应用场景。

在NeurIPS 2025会议上提出的一项名为DePass的新研究，旨在通过单次前向传播实现对大型语言模型的特征归因统一分析。该方法解决了现有归因技术计算成本高、难以追踪中间层信息流动的问题，并克服了不同归因层面（如token、模型组件或表示子空间）需依赖独立方法的局限性。DePass首次构建了一个高效且统一的归因框架，能够在一次前向传播中完成多层级的特征分解，显著提升了分析效率与可扩展性，为理解大模型内部机制提供了强有力的新工具。