通用激活解释器：跨模型激活解释的统一框架

激活解释以自然语言解释隐藏表示，但现有方法大多局限于自解释，即每个模型仅解释自身的激活。我们引入了通用激活解释器（UAV），这是一个使用共享解码器来解释来自异构供体模型激活的框架。UAV学习一个轻量级适配器，将供体激活转换为解码器嵌入空间中的软令牌，并通过重用冻结的解码器侧LoRA，同时仅为另一个供体训练一个新适配器，进一步支持仅适配器的迁移。在分类、事实检索和要点总结任务中，UAV在实现跨模型家族和尺度的跨模型解释的同时，与强大的自解释基线保持竞争力。消融实验表明，解码器侧的调优主要改善了任务行为，而适配器则提供了忠实解释所需的、基于激活的事实和语义信息。