meta人工智能研究团队联合爱丁堡大学科研人员，开发出一种名为电路基础推理验证（CRV）的创新技术。该技术通过解析大型语言模型（LLM）的内部运算机制，能够精准识别推理过程中的错误并实施修正，为提升AI系统可靠性提供了全新解决方案。
传统验证方法主要分为两类：黑箱验证通过分析输出结果进行判断，灰箱验证则尝试观测模型中间状态，但两者均无法定位计算失误的根本原因。CRV技术突破性地采用白箱验证策略，通过将模型中的标准稠密层替换为特制转码器，使原本不透明的神经网络结构变得可解析。研究人员发现，模型在执行推理任务时会激活特定的神经元子图，这些子图构成了独特的"推理电路"。
该技术的核心在于构建归因图谱。研究团队通过追踪信息在神经元间的传递路径，绘制出完整的因果流动图，并提取出描述电路特征的"结构指纹"。基于这些特征，系统训练出诊断分类器，能够以高准确率判断每个推理步骤的正确性。实验数据显示，在Llama3.1模型上的测试中，CRV在多个数据集和评估指标上均显著优于现有方法。
进一步研究揭示，不同类型推理任务产生的错误模式具有领域特异性。例如数学计算与常识推理的错误特征存在明显差异，这表明各类任务依赖不同的内部运算电路。这种发现为模型优化提供了重要依据，研究人员可以通过针对性抑制错误特征，实时调整模型的推理路径。
相较于广泛应用的链式思维推理（CoT）技术，CRV的最大优势在于提供透明计算视图。当系统检测到推理错误时，不仅能够定位问题发生的具体组件，还能通过抑制错误特征传播来修正运算路径。这种实时干预能力使得AI系统在处理复杂任务时更具可靠性。
技术亮点：
