arXiv 新增 + ICML 2026 Poster · P1 · 2026-06-08

Inside the Visual Mind：它和通用视觉自监督的关系在于：ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具

高相关；详见方法、贡献和实验边界。

Inside the Visual Mind: Neuroscience-Motivated Concept Circuits for Interpreting and Steering Vision Transformers　arXiv 新增 + ICML 2026 Poster　原文链接

编号2606.06664 优先级P1 类别arXiv 新增 + ICML 2026 Poster 会议arXiv 新增 + ICML 2026 Poster 方法ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具。高相关；详见方法、贡献和实验边界。

**Figureure 2 · Overview of our ViSAE toolbox for interpreting ViT inner workings**Figure 2. Overview of our ViSAE toolbox for interpreting ViT inner workings. Left: Motivated by the human visual cortex hierarchy, we construct a probing suite (64K images + 16K concepts) for SAE training and interpretation. Middle: Our top-down concept reading and bottom-up concept circuit tracing algorithms. Right: Our mechanistic view of ViT inner workings enables various downstream applications, such as concept localization, failure mode analysis, and model steering.这张图概括 Inside the Visual Mind 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 1 · Existing interpretable machine learning methods (IML) mainly identify** Figure 1. Existing interpretable machine learning methods (IML) mainly identify where the evidence is, while our concept circuits reveal how concepts interact across layers to support a prediction.这张图/表用于判断 Inside the Visual Mind 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具。

方法拆解

ViSAE 把 SAE 概念分解、自动解释和 causal circuit tracing 接到 ViT，是理解/steering 视觉表征的高价值工具

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。