这篇论文以《Inside the Visual Mind: Neuroscience-Motivated Concept Circuits for Interpreting and Steering Vision Transformers》为题，于2026年6月4日提交至arXiv，编号为arXiv:2606.06664v1，主要归属计算机视觉与模式识别（cs.CV）方向，同时涉及人工智能（cs.AI）与机器学习（cs.LG）。作者为Tang Li等共四人。该工作已被2026年国际机器学习大会（ICML 2026）接收，会议录用率为26.6%。
研究出发点在于：视觉Transformer（ViT）尽管在各类视觉任务上取得了很高的准确率，但其预测结果可能受到虚假线索（spurious cues）的驱动，也就是模型可能依赖与任务无关或不可靠的视觉特征作出判断。因此在安全部署之前，理解ViT的内部工作机制成为一项迫切需求。稀疏自编码器（SAE）为将模型表征分解为人类可理解的概念提供了有前景的视角，但要把基于SAE的解释方法迁移到ViT上仍存在明显障碍：一方面对概念覆盖范围缺乏有效控制，另一方面特征解释过程主观且难以规模化。
为填补这些空白，作者受神经科学原理启发，提出了ViSAE——一个用于理解ViT内部运作机制的机制可解释性工具箱，其核心思路是通过“概念电路”（concept circuits）来刻画模型内部的概念组织与信息流动。ViSAE由三个部分组成。第一部分是一个探测套件（probing suite），包含6.4万张图像以及一个1.6万规模的、具有视觉基础的概念词表；与ImageNet相比，该套件将概念覆盖效率提升了20倍，与现有概念集相比将解释准确率提升了28.7%。第二部分是自上而下的概念读取算法与自下而上的电路追踪算法，能够自动恢复ViT的内部运作机制，并以概念电路的形式加以呈现。第三部分是面向ViT行为审计与引导的应用。
在实验效果方面，作者展示了通过概念编辑（concept editing）来引导模型行为的可行性：在WaterBirds数据集上，ViSAE将最差组准确率（worst-group accuracy）提升了48.2%，相比现有方法高出23.8%。这一结果说明，该方法不仅能够解释模型，还能在存在分布偏移或群体表现不均的场景下实质性地改善模型的鲁棒性与公平性表现。
论文还公开了数据与代码，仓库地址为https://github.com/deep-real/ViSAE，便于社区复现与后续研究。从更广的意义上看，该工作把神经科学中的概念层级与电路思想引入视觉模型的可解释性研究，试图在“高准确率”与“可审计、可干预”之间建立桥梁，为ViT在高风险场景中的安全部署提供了工具层面的支撑。