标签
该预印本以对抗训练作为对照工具，在 GPT-2 Small 上检验表征简单性（SAE 可分解性、集中化归因）是否蕴含回路在因果上的简单性。研究发现，鲁棒模型具有更强的 SAE 可分解性，而回路规模则取决于机制区间：在高忠实度水平（90-95%）下，鲁棒性有所帮助，但在 85% 以下则无此效果。