Qwen/SAE-Res-Qwen3.5-27B-W80K-L0_100

Qwen-Scope：解码智能，释放潜力

我们很高兴介绍 Qwen-Scope，这是一个基于 Qwen3 和 Qwen3.5 系列模型训练的 interpretability（可解释性）模块。具体而言，我们在 Qwen 的 hidden layers 中集成并训练了 Sparse Autoencoders（SAEs）。通过实施 sparsity constraints，我们可以自动提取高度解耦、低冗余且可解释性显著更强的数据特征。Qwen-Scope 不仅可用于分析 Qwen 行为的内部机制，也在模型优化方面具有很大潜力。应用场景包括可控 inference 控制、评估样本分布分析与比较、数据分类与合成，以及模型训练与优化。更多细节请参见我们的技术报告。

模型详情

架构

这是一个 TopK SAE——在每次 forward pass 中，恰好保留 100 个非零特征。

每个 checkpoint 文件 layer{n}.sae.pt 都是一个 Python dict，包含四个 tensor：

文件

该 repository 为每个 transformer layer（第 0–63 层）包含一个 SAE checkpoint：

layer0.sae.pt
layer1.sae.pt
...
layer63.sae.pt

特征激活提取

端到端 demo：运行 base LLM，在选定层 hook residual stream，并提取稀疏 SAE 特征激活。 在大多数情况下，使用基于 base models 训练的 SAEs 来探索 post-training checkpoints 的内部过程也是合理的。

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# ── 1. Load base model ────────────────────────────────────────────────────────
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. Load SAE for a target layer ───────────────────────────────────────────
LAYER = 0  # choose any layer in 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) → sparse feature activations (..., 81920)"""
    pre_acts = residual @ W_enc.T + b_enc
    topk_vals, topk_idx = pre_acts.topk(100, dim=-1)
    acts = torch.zeros_like(pre_acts)
    acts.scatter_(-1, topk_idx, topk_vals)
    return acts

# ── 3. Hook residual stream after the target transformer layer ────────────────
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. Forward pass ───────────────────────────────────────────────────────────
text = "The capital of France is"
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
    model(**inputs)
hook.remove()

# ── 5. Extract feature activations ───────────────────────────────────────────
residual = captured["residual"]               # (1, seq_len, 5120)
feature_acts = get_feature_acts(residual)     # (1, seq_len, 81920)

# Inspect active features for the last token
last_token_acts = feature_acts[0, -1]         # (81920,)
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()}")

Gradio Demo

我们还提供了一个 gradio demo app.py。你可以在本地运行它：

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_100 \
    --top-k 100 \
    --num-layers 64 \
    --sae-width 81920 \
    --d-model 5120 \
    --server-port 7860

注意事项

严禁将 interpretability 工具用于非科学研究目的，以干扰模型能力，或捏造、生成、传播违反公序良俗和社会主义核心价值观的有害信息，包括色情、暴力、歧视性或煽动性内容。违规者的授权将自动终止，并应承担由此产生的一切法律责任。本声明的最终解释权归项目所有者所有。

引用

如果你在研究中使用这些 SAEs，请引用：

@misc{qwen_scope,
    title = {{Qwen-Scope}: Turning Sparse Features into Development Tools for Large Language Models},
    url = {https://qianwen-res.oss-accelerate.aliyuncs.com/qwen-scope/Qwen_Scope.pdf},
    author = {{Qwen Team}},
    month = {April},
    year = {2026}
}