ما الذي يقدّمه
تصف هذه المهارة كيفية تنفيذ تدخلات سببية على نماذج PyTorch عبر إطار pyvene التصريحي. يلجأ إليها المستخدم عند إجراء التتبع السببي (causal tracing) أو ترقيع التفعيلات (activation patching) أو تدريب تدخلات التبادل (interchange intervention)، وكذلك عند اختبار فرضيات سببية حول سلوك النموذج.
نشر المهارة davila7 بترخيص MIT.
الحدود والمتطلبات
تنطبق الإرشادات على نماذج PyTorch فقط، وفق وصف الناشر.
الأمان
لم يراجع فريقنا هذا المورد. فحصته قواعد آلية فقط، واستُبعدت الموارد التي رصدت فيها إشارات خطر عالية. هذه إشارات وليست ضمانًا بأن التثبيت آمن. جرّبه أولًا في مشروع تجريبي.
- ينفّذ شيفرة أو يغيّر سلوك المساعد
المصادر
- AI Templates (aitmpl) رُصد أول مرة 13 نوفمبر 2026 · آخر رصد 17 نوفمبر 2026 · صفحته في المصدر · أرقام يذكرها المصدر: aitmpl downloads 27
mechanistic-interpretability-pyvene
Provides guidance for performing causal interventions on PyTorch models using pyvene's declarative intervention framework. Use when conducting causal tracing, activation patching, interchange intervention training, or testing causal hypotheses about model behavior.
v1.0.0كما ظهر في www.aitmpl.com عند آخر قراءة لنا