想象一位考官想确认一个转学生是否真的认识“猫”。他不问学生“什么是猫”，因为学生能背下百科；也不去看学生的奖状，因为奖状只说明期末成绩。于是考官拿出 100 张照片，一半是猫，一半是狗，让学生每看一张就在脑海里写一份“内部笔记”。考官虽然看不见学生脑子里的神经元，却能观察：所有“猫照片”引发的内部笔记，是否整齐地聚在一起，和“狗照片”分开。如果两者能被一条看不见的线划开，考官就认为“猫”这个概念在这个学生心里是完整的。这个思路放进 AI 模型，就是概念完整性评分——它用激活空间中的方向向量当尺子，用投影一致性当答案，为一个概念在模型内部被编码得有多完整打分。这篇文章会沿用这场“概念考试”的比喻，讲清楚评分的动机、数学定义、计算流程、使用边界，以及在实际 AI 工作里怎么用。

岗位关联

掌握这套评分逻辑，你就能读懂模型内部表征，把“模型到底学会了什么”从一句主观判断，变成一组可测量、可复现的数字。

目录
  1. 可视化演示
  2. 背景与动机
  3. 核心思想
  4. 计算流程
  5. 度量形式
  6. 影响因素
  7. 应用场景
  8. 局限与前景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

背景与动机

班主任从外地转来一个插班生。问他“什么是猫”，他能背出定义；可班主任总觉得他是靠背题应付。于是老师拿出照片，学生每看一张，都在心里写一份“内部笔记”。老师没法直接读懂笔记内容，只能观察：关于“猫”的笔记和“狗”的笔记，是否各自聚成两堆。这个测验的出发点，是想验证一个概念真的存在于学生内部，而不只是存在于标准答案里。

深度学习模型也是这样的“插班生”。它在图像分类任务上得分很高，却不能告诉我们“猫”这个概念到底藏在哪个神经元、哪一组权重里。过去我们只看损失函数和准确率，相当于只看期末总成绩，却不知道学生是不是真的理解了知识。为了让 AI 的解释从“结果对”走到“过程明白”，研究人员开始检查模型在每一层留下的激活向量。

激活向量是模型对输入做出决策前形成的内部笔记。如果模型真的掌握了“猫”，那么猫咪图片引发的笔记应当共享某种共同的几何特征。把想法写成数学语言，就是先取出输入 \(x\) 在第 \(\ell\) 层留下的表征：

概念完整性评分要回答的问题就是：这张“答题纸”里，有没有一条清晰的线，能把正例和负例分开？如果有，这个概念就是完整的；如果没有，这个概念在模型内部就是模糊的。

z=fθ(x),z∈Rdz = f_{\theta}(x), \quad z \in \mathbb{R}^{d}
这一行把“答题纸”写成了数学符号：输入经过模型，变成一张高维向量。
  1. 输入样本\(x\) 是模型收到的一张图片或一段文本，比如一张猫的照片。
    x∈Xx \in \mathcal{X}
  2. 编码映射\(f_{\theta}\) 是模型从输入到某一层内部表征的映射，\(\theta\) 是已经训练好的网络参数。
    fθ:X→Rdf_{\theta}: \mathcal{X} \to \mathbb{R}^{d}
  3. 激活向量得到的 \(z\) 是 \(d\) 维向量，代表模型在回答“这是不是猫”之前脑中形成的临时笔记。
    z∈Rdz \in \mathbb{R}^{d}

核心思想

有了答题纸，还缺一把尺子。考官发现，学生每次写“猫”的内部笔记虽然不完全相同，但猫咪照片引发的笔记总在某个方向上更靠前，狗照片的笔记则更靠后。于是，考试的关键变成找出一根“概念尺子”，也就是激活空间里的概念方向向量。

要找到这把尺子，最简单的方法是让正例和负例分别给出自己的“代表点”：把正例的激活向量求平均，得到“正类中心”；把负例的激活向量求平均，得到“负类中心”。两个中心相减，就得到从负类指向正类的方向：

如果正负类中心几乎重合，说明在这个模型层里，概念没有形成清晰的方向；如果中心距离很开，说明“猫”的内部笔记确实沿着某个方向聚集，概念完整性就有了基础。

v_c = \frac{1}{|P|}\sum_{i\in P} z_i - \frac{1}{|N|}\sum_{j\in N} z_j,\qquadv_c \leftarrow \frac{v_c}{\lVert v_c\rVert}
这个公式像是把“猫代表点”和“狗代表点”连成一条线，再压缩成一把长度为一的概念尺子。
  1. 正类中心把属于概念的正例激活向量加起来取平均，得到猫咪群体的代表点。
    zˉP=1∣P∣∑i∈Pzi\bar{z}_P = \frac{1}{|P|}\sum_{i\in P} z_i
  2. 负类中心把不属于概念的负例激活向量加起来取平均，得到非猫群体的代表点。
    zˉN=1∣N∣∑j∈Nzj\bar{z}_N = \frac{1}{|N|}\sum_{j\in N} z_j
  3. 归一化方向用正类中心减负类中心，得到一个从非猫指向猫的方向；再除以长度，让尺子的刻度不随样本多少而改变。
    vc=zˉP−zˉN∥zˉP−zˉN∥v_c = \frac{\bar{z}_P - \bar{z}_N}{\lVert \bar{z}_P - \bar{z}_N\rVert}

计算流程

完整的“概念考试”可以拆成四步：出题、收卷、做尺子、批改。出题是准备正负概念样本，比如一百张猫片和一百张狗片；收卷是把这些样本输入模型，取出某一层的激活向量；做尺子是估计概念方向 \(v_c\)；最后批改，则是把所有样本投影到尺子上，看正例是否稳定地排在负例前面。

批改阶段最重要。我们不要求模型答对每一道题，而是检查：任意挑一只猫，再挑一只狗，猫的内部笔记沿概念方向的投影值，是否比狗的投影值更大。把所有这样的成对比较平均起来，就得到概念完整性评分：

当得分接近 1，说明正例几乎全部排在负例前面；当得分接近 0.5，说明投影值像抽签一样随机，概念方向没有起到区分作用。

Sc=1N+N−∑i∈P∑j∈NI(vc⊤zi>vc⊤zj)S_c = \frac{1}{N_+N_-} \sum_{i\in P} \sum_{j\in N} \mathbb{I}\left( v_c^\top z_i > v_c^\top z_j \right)
这个公式看起来复杂，其实是一道排序题：猫的刻度值能不能稳定地排在狗的刻度值前面。
  1. 投影值\(v_c^\top z_i\) 把第 \(i\) 个样本的激活向量压缩成一个数，表示它落在“猫尺子”上的刻度。
    pi=vc⊤zip_i = v_c^\top z_i
  2. 指示函数\(\mathbb{I}(p_i > p_j)\) 表示如果正例的投影值大于负例的投影值，就记 1 分，否则记 0 分。
    I(pi>pj)\mathbb{I}(p_i > p_j)
  3. 取平均把所有成对比较结果除以正负对总数 \(N_+N_-\)，得到正确的排序比例。
    Sc=∑i∈P∑j∈NI(pi>pj)N+N−S_c = \frac{\sum_{i\in P}\sum_{j\in N}\mathbb{I}(p_i > p_j)}{N_+N_-}

度量形式

概念完整性评分的输出落在 0 到 1 之间，读法很像考试百分制，但要更小心。0.5 是随机基准：猫的刻度不一定比狗大，方向尺子形同虚设；1 是完美排序：所有正例都排在所有负例前面；0 则完全反向，说明概念方向被学反了。实际操作中，0.7 到 0.8 通常被认为模型已经比较好地编码了该概念，但不同任务对阈值的容忍度不同。

除了 AUC 形式的排序得分，很多团队还会训练一个“线性探针”：用概念标签去拟合投影值，并计算模型能否用一条直线划分两类样本。这时常用平衡准确率作为完整度的补充指标：

AUC 和平衡准确率是从两个角度回答同一个问题：前者看排序是否稳定，后者看切分位置是否合理。两者结合，能让“概念完整度”的读数更稳健。

Cprobe=12(TPTP+FN+TNTN+FP)C_{\text{probe}} = \frac{1}{2}\left( \frac{TP}{TP+FN} + \frac{TN}{TN+FP} \right)
平衡准确率的意义是：在正类和负类样本数量不相等时，分别看两类各自被认对的比例，再取平均，避免被多数类带偏。
  1. 正类召回率\(TP / (TP+FN)\) 是真实正例中，被投影方向正确识别出来的比例。
    TPTP+FN\frac{TP}{TP+FN}
  2. 负类召回率\(TN / (TN+FP)\) 是真实负例中，被正确识别为负类的比例。
    TNTN+FP\frac{TN}{TN+FP}
  3. 取平均把两个召回率加起来除以 2，得到类别平衡后的整体正确率。
    12(TPTP+FN+TNTN+FP)\frac{1}{2}\left( \frac{TP}{TP+FN} + \frac{TN}{TN+FP} \right)

影响因素

同一张考卷，换一个考场、换一批学生，分数含义就会变。概念完整性评分也极度依赖实验设置。最重要的影响因素至少有四个：数据规模与质量、模型层选择、概念边界定义、类别平衡。

先说数据。正负样本太少，均值差估计出的方向会被个别奇异样本带偏；标注噪声越大，方向尺子越歪。再看模型层。底层特征往往关注边缘和颜色，顶层特征更接近语义；同一概念在中层可能很清晰，在输入层却完全测不出来。概念边界也很关键，“猫”到底包不包含卡通猫、布袋猫、糊成一团的猫照片，标注标准不同，得分自然不同。最后，类别不平衡会让简单平均偏向多数类，计算时需要做加权或平衡处理。

为了在报告里说清楚“是哪一层测出的完整度”，可以把公式写成带层编号的形式：

因此，在写可解释性报告时，不要只写“概念完整度 0.85”，而要写“在 ResNet 最后一个池化层上，‘猫’概念完整度 0.85”，否则读者无法复现，也无法横向比较。

Sc(ℓ)=AUC⁡({vc⊤fθ(ℓ)(xi)}i=1N,{yi}i=1N)S_c^{(\ell)} = \operatorname{AUC}\left( \left\{ v_c^{\top} f_\theta^{(\ell)}(x_i)\right\}_{i=1}^{N}, \left\{ y_i\right\}_{i=1}^{N} \right)
这个公式强调：概念完整性评分永远属于某一个模型层，而不是整个模型的单一属性。
  1. 层编号上标 \((\ell)\) 表示要查看模型的第几层，比如最后一个 Transformer 层，还是中间的卷积层。
    ℓ∈{1,2,…,L}\ell \in \{1, 2, \dots, L\}
  2. 该层激活\(f_\theta^{(\ell)}(x_i)\) 是输入 \(x_i\) 经过前 \(\ell\) 层后留下的内部笔记。
    zi(ℓ)=fθ(ℓ)(xi)z_i^{(\ell)} = f_\theta^{(\ell)}(x_i)
  3. 组合打分把这些该层的投影值和标签一起交给 AUC，得到第 \(\ell\) 层的完整度。
    Sc(ℓ)=AUC⁡({vc⊤zi(ℓ)},{yi})S_c^{(\ell)} = \operatorname{AUC}(\{v_c^\top z_i^{(\ell)}\}, \{y_i\})

应用场景

概念完整性评分不是实验室里仅供参观的指标。在实际 AI 工程里，它最常见的用途是模型行为诊断。当模型在测试集上表现很好，但在特定群体上频频出错，团队可以挑出怀疑的概念，比如“胡须”“轮胎”“疤痕”，检查它是否真的存在于模型的深层表征中。如果概念完整度很低，说明模型可能走了捷径，而不是真正学会了人类关心的特征。

另一个重要场景是概念发现与搜索。既然每个概念都能在激活空间中找到方向，那么反过来，我们可以投影一批样本，按投影值排序，找出“最像猫”的内部模式和“最不像猫”的内部模式。这个操作还能帮助团队发现模型自己形成的概念。对单个样本而言，它沿概念方向的投影值可以看作该样本对这个概念的表达强度：

在安全审查中，同样可以检查“性别”“年龄”“种族”等敏感概念的完整度。如果某个敏感概念在模型深层表征中过于完整，模型就可能基于它做决策，从而产生偏见风险。

r(x)=vc⊤fθ(x)r(x) = v_c^{\top} f_\theta(x)
这个式子把“这张图有多像猫”变成一个人在概念尺子上的刻度值，数值越大，说明模型在该层越强烈地激活了猫方向。
  1. 概念方向\(v_c\) 是已经估计好的概念方向，代表“猫”在激活空间中的落点趋势。
    vc∈Rd,∥vc∥=1v_c \in \mathbb{R}^{d}, \quad \lVert v_c\rVert = 1
  2. 单样本投影把单个样本的激活向量与概念方向做内积，得到它在这个方向上的分量。
    r(x)=vc⊤fθ(x)r(x) = v_c^{\top} f_\theta(x)
  3. 排序解释把所有测试样本按 \(r(x)\) 从大到小排序，就能得到“模型眼中的猫”排名。
    r(x1)≥r(x2)≥⋯≥r(xN)r(x_1) \ge r(x_2) \ge \cdots \ge r(x_N)

局限与前景

概念完整性评分虽然好用，但它有一个必须记住的盲区：它默认概念是被“一条直线”编码的。现实中的概念可能分布在多个方向的组合里，也可能被非线性地折叠在表征空间中。此时，线性方向的投影得分可能很低，但一个复杂的非线性解码器却能完美地区分正负样本。

把这种局限性写成公式，就是：

所以，高分不能等同于“模型真正理解”，低分也不能等同于“模型完全没有概念”。未来的方向是让评分更立体：用多个概念方向共同描述一个概念，把线性投影扩展成非线性探针，再结合干预实验和因果分析，让“完整性”不再只是统计相关，而是能够指导模型改进的可靠信号。

Sc≈0.5but∃g:Rd→{0,1},  g(z(x))=y(x)S_c \approx 0.5 \quad \text{but} \quad \exists g: \mathbb{R}^d \to \{0,1\},\; g(z(x)) = y(x)
这句话提醒我们：线性投影测不出来，不等于模型没有这个概念；得分低只能说明“单方向尺子”失效了。
  1. 线性得分偏低\(S_c \approx 0.5\) 表示在这个概念方向上，正负例投影混在一起，排序接近随机。
    Sc≈0.5S_c \approx 0.5
  2. 存在非线性函数\(\exists g\) 表示存在某个更复杂的函数，它能把每个样本的激活 \(z\) 正确映射到标签 \(y\)。
    ∃g:Rd→{0,1}\exists g: \mathbb{R}^d \to \{0,1\}
  3. 结论低完整度不等于样本不可分，只是当前线性框架看不到非线性结构。
    g(z(x))=y(x)for all xg(z(x)) = y(x) \quad \text{for all } x

AI 应用场景

大模型偏见安全审查

阶段：模型评估与安全审查

解决的问题：大模型可能在内部编码了性别、种族等敏感概念。传统做法只看下游任务指标，无法发现模型是否悄悄用了敏感信息。用概念完整性评分检查模型中“性别”方向的投影一致性，可以在部署前量化偏见风险。

具体案例：某聊天机器人上线前，安全团队收集 5000 条中性表述和 5000 条带有性别暗示的表述，提取模型最后一层激活，估计“性别方向”并计算投影 AUC。若完整度超过 0.85，说明模型内部对性别区分度很强，需要加入干预或重新调整表征。

医学影像模型临床验证

阶段：临床模型上线验证

解决的问题：医学影像模型准确率虽高，但可能靠病灶周围的暗角、扫描仪品牌或金属伪影取巧。传统指标无法识别这种“偷懒特征”。用概念完整性评分验证“病灶”方向是否在深层表征中清晰存在，能给临床审批增加一道可解释性关卡。

具体案例：病理切片模型训练完成后，专家标注 300 张阳性图像和 300 张阴性图像，提取骨干网络最后一层特征，计算“肿瘤区域”概念完整度。如果得分低于 0.7，说明模型没有学到通用病灶概念，需要复训或更换架构。

可解释性报告生成

阶段：解释报告与合规审计

解决的问题：向客户或监管机构解释模型时，只给一份重要特征列表往往不够。概念完整性评分能把“概念是否真的进入模型内部”变成直观图表，让解释更立体。

具体案例：信贷模型团队搭建“可解释性仪表盘”，对“收入稳定性”“职业风险”“负债水平”三个业务概念分别计算模型最后一层的完整度，并绘制概念方向热力图，帮助合规审计人员快速判断模型是否使用了合理业务概念。

Python 演示

python52 行
import numpy as np  def generate_activations(n=120, seed=42):    rng = np.random.default_rng(seed)    true_dir = np.zeros(16)    true_dir[0] = 1.0    pos = rng.normal(0.8 * true_dir, 0.5, size=(n, 16))    neg = rng.normal(-0.8 * true_dir, 0.5, size=(n, 16))    X = np.vstack([pos, neg])    y = np.array([1] * n + [0] * n)    order = rng.permutation(2 * n)    return X[order], y[order]  def concept_direction(X, y):    pos_mean = X[y == 1].mean(axis=0)    neg_mean = X[y == 0].mean(axis=0)    w = pos_mean - neg_mean    return w / np.linalg.norm(w)  def projection_auc(X, y, w):    proj = X @ w    pos_proj = proj[y == 1]    neg_proj = proj[y == 0]    total_pairs = pos_proj.size * neg_proj.size    if total_pairs == 0:        return 0.5    count = 0    for a in pos_proj:        for b in neg_proj:            if a > b:                count += 1            elif a == b:                count += 0.5    return count / total_pairs  def main():    X, y = generate_activations()    w = concept_direction(X, y)    score = projection_auc(X, y, w)    print("learned concept score: %.3f" % score)    rng = np.random.default_rng(7)    random_w = rng.normal(size=16)    random_w /= np.linalg.norm(random_w)    print("random direction score: %.3f" % projection_auc(X, y, random_w))  if __name__ == "__main__":    main()
目的：用合成激活向量演示如何估计概念方向并计算 AUC 形式的概念完整性评分。
  1. pos = rng.normal(0.8 * true_dir, 0.5, size=(n, 16))生成一组“含有概念”的模拟激活向量，真实概念方向设在第一个维度上。
  2. w = pos_mean - neg_mean用正类中心减负类中心，估计从非概念指向概念的方向。
  3. w / np.linalg.norm(w)把方向向量归一化成长度为 1 的单位向量，让投影值与数据规模无关。
  4. proj = X @ w把每个样本的激活向量投影到概念方向，得到一维刻度值。
  5. for a in pos_proj:` 和 `for b in neg_proj:逐对比较正负样本的投影值，统计正例排在负例前面的比例。
  6. return count / total_pairs返回成对排序比例，也就是 AUC 形式的概念完整性评分。
  7. if __name__ == "__main__":保证运行脚本时才会执行演示，方便作为模块被其他项目调用。

常见误区

误区只要概念完整性评分接近 1，模型就真正理解了“猫”或“病灶”，可以放心部署。

正解这个分数只说明在某个模型层，正例和负例的激活可以被一条直线分开。它不等于模型会推理、会使用概念、知道因果。就像学生能把猫和狗分边，不代表他理解动物分类学。

为何常见：人类看到高分很容易联想到“学会”，但 AI 里的线性可分只是一种统计规律，离真正的语义理解还有距离。

误区得分低于 0.6 就说明模型完全没有编码这个概念，可以直接放弃检查。

正解概念可能被非线性地折叠在多个方向组合里，线性投影测不出来，不代表模型内部不存在该概念。需要换非线性探针、换层，或多方向组合再看。

为何常见：因为评分公式常使用线性投影，人们容易忘了线性可分只是简化假设，而不是概念存在的唯一标准。

误区两个模型都在“猫”概念上得到 0.85 和 0.90，第二个模型一定更理解猫。

正解激活维度、层选择、样本分布、方向估计方法都会影响得分。必须在相同设置下比较才有意义，否则就像用两张不同难度的考卷比较学生成绩。

为何常见：AUC 看起来是归一化指标，容易让人误以为不同实验之间天然可比。

误区概念完整性评分只需要一堆数据，标签是否准确不重要。

正解概念标签定义了“什么算这个概念”。标注噪声和边界模糊会直接污染方向向量的估计，最后算出的分数也会失真。正负样本的选取本身就是实验设计的一部分。

为何常见：在普通监督学习里，模型能容忍一些标签噪声；但在概念解释中，标签既参与定义方向，又参与打分，噪声危害被放大。

面试题

Q1. 概念完整性评分主要衡量什么？

单选题 · easy

  • A.模型推理速度的快慢
  • B.模型参数量的大小
  • C.概念在表征中的编码充分度← 正确答案
  • D.训练数据集的规模大小

答案：C。概念完整性评分关注的是目标概念在激活空间中被编码得是否充分，而不是模型速度、大小或数据规模。它像考官检查学生的内部笔记，而不是检查考试时长。

Q2. 把激活向量投影到概念方向后，投影值主要用来做什么？

单选题 · easy

  • A.计算神经网络的隐藏层数
  • B.区分概念正样本与负样本← 正确答案
  • C.降低模型输出的随机噪声
  • D.替代模型的全部训练流程

答案：B。投影值把高维激活压缩成刻度，正例的刻度应当稳定高于负例。投影值本身不改变网络结构，也不替代训练。

Q3. AUC 式完整性得分接近 0.5 表明什么？

单选题 · mid

  • A.概念完全没有进入模型
  • B.线性投影区分接近随机← 正确答案
  • C.概念方向与标签恰好反向
  • D.模型发生了严重的过拟合

答案：B。AUC 接近 0.5 表示正负样本的投影值排序像抛硬币，线性方向失去了区分能力。但不代表概念绝对不存在，它可能以非线性方式编码。

Q4. 计算概念完整性时，正负样本的作用是什么？

单选题 · mid

  • A.提供概念判别标注与方向参考← 正确答案
  • B.决定模型学习率的大小调整
  • C.改变模型输入图片的分辨率
  • D.控制神经网络训练的总步数

答案：A。正负样本定义了什么是概念，也提供了估计概念方向和计算得分的依据。它们不参与模型训练的超参数设置。

Q5. 在激活空间中，概念方向向量通常可以看作什么？

单选题 · mid

  • A.正负样本均值差构成的方向← 正确答案
  • B.损失函数对训练数据的一阶导
  • C.激活数值最大坐标组成的向量
  • D.输入图像像素颜色的平均向量

答案：A。最简单的概念方向估计是正类激活中心减去负类激活中心，得到一个从负例指向正例的方向。它不是梯度，也不是像素统计。

Q6. 要证明某一概念是模型决策的因果原因，仅凭高完整性得分还不够，还必须怎样？

单选题 · extreme

  • A.设计干预实验并观察决策变化← 正确答案
  • B.继续增加网络的隐藏层数量
  • C.将完整性得分取反求其绝对值
  • D.把所有输入图像统一旋转九十度

答案：A。高完整性得分只是统计相关，不能证明因果。只有通过干预实验改变概念方向或输入特征，并观察到决策随之改变，才能建立更强的因果证据。

Q7. 下面哪一项不是概念完整性评分的主要用途？

单选题 · easy

  • A.诊断模型是否编码特定概念
  • B.发现模型内部的概念方向
  • C.代替模型部署的全部服务← 正确答案
  • D.辅助生成可解释性报告

答案：C。概念完整性评分是解释和诊断工具，不能代替模型推理服务。它帮助我们回答“模型内部有没有这个概念”，而不是替模型跑线上任务。

Q8. 哪些因素会影响概念完整性得分？

多选题 · mid

  • A.概念正负样本的标注噪声← 正确答案
  • B.提取表征的模型层位置← 正确答案
  • C.概念边界的定义方式← 正确答案
  • D.服务器操作系统的品牌

答案：ABC。标注噪声会污染概念方向，层位置会影响语义粒度，概念边界定义决定样本归属。而服务器操作系统与激活表征没有直接关系。

Q9. 关于概念完整性评分的局限，下列说法正确的是？

多选题 · hard

  • A.它依赖线性可分假设来打分← 正确答案
  • B.它不能直接证明因果关系← 正确答案
  • C.它彻底摆脱了人工标注影响
  • D.它可能低估非线性编码概念← 正确答案

答案：ABD。线性投影是核心假设，因此非线性编码的概念容易被低估；同时它只能说明相关性，不能证明因果。完整的解释还需要干预实验和任务验证。

Q10. 为了让概念完整性评分更可靠，研究人员应该怎么做？

多选题 · hard

  • A.统一数据收集与层选择标准← 正确答案
  • B.在同一模型内比较不同概念← 正确答案
  • C.忽略标注噪声直接计算得分
  • D.结合下游任务验证解释结论← 正确答案

答案：ABD。只有统一实验设置，同一模型内横向比较，并让解释结论在下游任务中接受检验，评分才有说服力。忽略标注噪声只会让得分掩盖问题。