nnterp：面向 Transformer 可解释性的标准化接口

可解释性研究需要可靠的工具来跨不同架构分析 Transformer 的内部结构。当前方法面临根本性的权衡：定制实现如 TransformerLens 确保一致的接口，但需要为每个架构手动编写适配代码，导致与原始模型之间存在数值不匹配；而通过 NNsight 直接访问 HuggingFace 则保留了精确行为，但缺乏跨模型的标准化。为弥合这一鸿沟，我们开发 nnterp，这是一个轻量级的 NNsight 包装器，提供面向 Transformer 分析的统一接口，同时保留原始 HuggingFace 实现。通过自动模块重命名和全面验证测试，nnterp 使研究人员能够编写一次干预代码，并在 50 多个模型变体（覆盖 16 个架构家族）上部署。该库包含常见可解释性方法（logit lens、patchscope、activation steering）的内置实现，并提供对支持其注意力概率的模型的直接访问。通过随库打包验证测试，研究人员可在本地验证与自定义模型的兼容性。nnterp 在可解释性工具的正确性和可用性之间架起了桥梁。