BTP：大语言模型代码生成能力的机械可解释性研究框架

研究背景与问题定义

大语言模型在代码生成任务上展现出惊人的能力，但它们的内部工作机制长期以来被视为"黑箱"。理解这些模型如何理解编程语言的语法结构、如何推理代码逻辑、以及不同组件（尤其是注意力头）在代码生成过程中扮演的具体角色，对于提升模型可靠性、安全性和效率至关重要。机械可解释性（Mechanistic Interpretability）正是试图打开这个黑箱的学科方向，它追求的不是统计层面的相关性分析，而是要精确定位特定计算功能在神经网络中的物理实现位置。

代码生成任务相比自然语言处理具有独特的挑战性：程序必须严格符合语法规则，执行结果具有确定性（代码要么正确运行，要么报错），且存在多种等价但形式不同的正确实现。这些特性使得代码生成成为检验 LLM 推理能力的理想试验场，也为可解释性研究提供了清晰的评估标准——代码能否通过测试用例是一个客观的 correctness 指标。

项目架构与核心功能

BTP 项目构建了一套端到端的实验基础设施，覆盖从模型推理、指标计算到注意力头分析和剪枝优化的完整流程。项目结构清晰，分为源代码、脚本、 notebooks 和结果存储四大模块，每个模块承担明确的职责。

熵透镜分析（Entropy Lens）：这是理解模型内部状态的基础工具。通过追踪每个 token 在模型各层的熵值和交叉熵损失，研究者可以观察模型在生成代码时的"困惑度"变化。项目支持两种推理模式：regular 模式计算整个推理链（Chain-of-Thought）加代码块的损失，chain_code 模式则仅关注代码部分的指标。这种区分让研究者能够分离"思考过程"和"最终代码"对模型激活的不同影响。

注意力头消融实验（Head Ablation）：这是机械可解释性的核心方法论。项目实现了逐头归零（zero-out）技术，通过单独屏蔽每个注意力头并测量损失变化（delta-loss），量化每个头对代码生成任务的重要性。支持单头消融矩阵生成，以及"淘汰制"实验（knockout experiments）——迭代移除最重要的头，观察模型性能的累积衰减。这种方法直接揭示了哪些头是任务关键的，哪些可能是冗余的。

泰勒近似剪枝（Taylor Pruning）：基于一阶泰勒展开近似每个注意力头对损失的贡献度，项目实现了迭代剪枝算法。用户可以配置迭代次数（num_iters）和每次剪枝的头数（prune_per_iter），系统会自动生成 JSON 和 NPZ 格式的历史记录文件，便于后续可视化和分析。这种方法相比暴力搜索剪枝子集具有更高的计算效率。

评估基准与数据集

项目聚焦于三个权威的代码生成评测基准，覆盖了不同难度和场景：

HumanEval：由 OpenAI 提出的经典基准，包含 164 个编程任务，每个任务提供函数签名和文档字符串，要求模型补全函数体。这些任务涵盖基础算法、字符串处理、数学运算等编程基础能力，是评估 LLM 代码生成能力的标准起点。

MBPP（Mostly Basic Python Problems）：包含 500 个 Python 编程问题的更大规模数据集，难度从初级到中级不等。与 HumanEval 相比，MBPP 的任务描述更加贴近实际编程场景，测试用例也更加丰富，能够更全面地检验模型的实用编程能力。

LiveCodeBench v6：这是一个更具挑战性的基准，包含 175 个来自真实竞赛和面试场景的题目。题目通常涉及复杂算法设计和优化，对模型的推理深度和代码效率都有较高要求。在该基准上的表现能够反映模型处理高难度编程任务的能力边界。

蒸馏模型对比分析

项目的一个独特贡献是对基础模型与其蒸馏变体（如 DeepSeek-R1 蒸馏的 Qwen/Llama 模型）之间的注意力电路差异进行静态对比。通过计算 OV 电路和 QK 电路的余弦相似度，研究者可以量化知识蒸馏过程如何改变模型的内部表征结构。

这种对比具有重要的理论和实践意义：理论上，它帮助我们理解蒸馏是一种"功能保持"还是"功能重构"的过程；实践上，如果蒸馏模型的关键注意力头与基础模型高度重合，那么针对基础模型的可解释性发现可能直接迁移到蒸馏模型，降低分析成本。项目生成的对比 CSV 文件为这类研究提供了标准化的数据格式。

实验流程与使用指南

项目的典型实验流程遵循流水线模式：首先使用 vLLM 服务器生成代码解，然后通过评估脚本过滤出正确答案（verdict=1），在此基础上进行熵分析和消融实验。

项目提供了丰富的 shell 脚本封装，简化了常见任务的执行。run_inference.sh 启动推理服务，run_evaluate.sh 评估代码正确性，run_hml.sh 运行完整的 HML（HumanEval-MBPP-LiveCodeBench）分析流程，run_check.sh 则用于追踪实验进度并生成状态摘要表。这种脚本化设计确保了实验的可复现性，也便于在服务器集群上进行批量处理。

对于高级用户，项目支持直接调用 Python 模块进行细粒度控制。例如，可以通过命令行参数指定模型（如 Qwen/Qwen3-8B）、数据集（mbpp/humaneval/livecodebench）和推理模式（regular/chain_code），灵活适配不同的研究需求。

可视化与分析工具

项目包含多个 Jupyter Notebook，用于结果的可视化分析。熵分析 notebook 绘制各层熵值的热力图，帮助识别模型在哪些层开始"确定"输出；消融分析 notebook 展示注意力头重要性的分布，揭示关键头的空间聚集模式；优化可视化 notebook 则追踪 CMA-ES 进化策略优化头子集的过程。

这些可视化工具不仅服务于论文图表生成，更重要的是帮助研究者形成直觉——哪些层的头是冗余的？关键头是否集中在特定模式（如语法头、语义头）？剪枝后的模型保留了哪些核心能力？这些问题的答案对于指导模型压缩和架构设计具有直接价值。

研究意义与未来方向

BTP 项目为代码生成领域的机械可解释性研究提供了坚实的基础设施。通过系统性地分析注意力头的重要性，研究者可以回答一些根本性问题：代码生成能力在神经网络中是如何分布式表征的？是否存在专门负责语法检查、类型推理或算法模式匹配的功能模块？

长远来看，这类研究的成果可能导向更高效的模型架构设计——如果某些头对代码生成任务贡献甚微，或许可以在预训练阶段就减少头的数量；如果发现特定电路模式与代码正确性高度相关，或许可以针对性地增强这些电路。此外，可解释性分析也为模型安全提供了新视角：如果恶意代码生成依赖特定的注意力模式，或许可以通过监控这些模式来检测和阻止有害输出。