揭秘 AI 推理：OpenAI 稀疏模型让神经网络首次透明化；Calories Burnt Prediction：为健身模型注入精准能量数据

近年来，大语言模型在能力上突飞猛进，但其内部决策过程如同一个深度纠缠的「黑箱」，难以追溯和理解。这一根本性难题，严重阻碍了AI在医疗、金融等高风险领域的可靠应用。如何让模型的思考过程变得透明、可追溯，仍是悬而未决的关键问题。

基于此，**OpenAI 于 2025 年 12 月发布的 0.4B 参数大语言模型 Circuit Sparsity，它采用电路稀疏技术，将 99.9% 的权重置零，构建出可解释的稀疏计算架构，**突破传统 Transformer 的「黑箱」决策限制，使 AI 推理过程可逐层解析。该模型的核心，是通过一套独特的训练方法，将传统密集神经网络改造为结构化的稀疏「电路」。

*动态强制稀疏：与传统方法不同，它在训练的每一步都执行「动态剪枝」，每轮仅保留权重中绝对值最大的极少数（如0.1%），其余强制归零，迫使模型从一开始就学习在极简连接下工作。

*激活稀疏化：在注意力机制等关键位置引入激活函数，使神经元的输出趋于「非此即彼」的离散状态，从而在稀疏网络中形成清晰的信息通道。

*定制化组件：采用 RMSNorm 替代 LayerNorm 以防止破坏稀疏性；并引入 Bigram 查找表来处理简单词汇预测，让主网络更专注于复杂逻辑。

通过上述方法训练出的模型，其内部自发形成了功能明确、可被解析的「电路」。每个电路负责一个特定子任务。研究人员可明确识别出，某些神经元专门用于检测「单引号」，而另一些则充当逻辑「计数器」，相比传统密集模型，完成相同任务所需的活跃节点数量大幅减少。其配套的「桥梁网络」技术，试图将稀疏电路中获得的解释映射回 GPT-4 等高性能密集模型，也为分析现有大模型提供了潜在工具。

目前，HyperAI超神经官网已上线了「Circuit Sparsity：OpenAI 开源新稀疏模型」，快来试试吧~

在线使用：https://go.hyper.ai/WgLQc

1 月 5 日-1 月 9 日，hyper.ai 官网更新速览：

* 优质教程精选：4 个

* 热门百科词条：5 条

* 1 月截稿顶会：9 个

访问官网：hyper.ai

公共教程精选

1.Circuit Sparsity：OpenAI 开源新稀疏模型

Circuit-sparsity 是 OpenAI发布的 0.4B 参数大语言模型。它采用电路稀疏技术，将 99.9% 的权重置零，构建出可解释的稀疏计算架构，突破传统 Transformer 的「黑箱」决策限制，使 AI 推理过程可逐层解析。随模型发布的 Streamlit 工具包提供「激活桥」技术，支持研究者追踪内部信号路径、分析功能对应电路，并比较稀疏与密集模型的性能差异。

在线运行：https://go.hyper.ai/zui8w

Demo 页面

2.HY-MT1.5-1.8B：多语言神经机器翻译模型

HY-MT1.5-1.8B 是腾讯混元团队发布的 18 亿参数多语言机器翻译模型。它基于统一 Transformer 架构，支持 33 种语言与 5 种民族语言/方言的互译，并针对混合语言、术语控制等真实场景优化。该模型在接近 7B 模型翻译质量的同时，参数规模仅为三分之一，支持量化部署与 HuggingFace 生态集成，适用于高效、低成本的多语言在线翻译服务。

在线运行：https://go.hyper.ai/I0pdR