神经网络模型在复杂任务上表现出色，但解释困难。研究者提出了一种新的分析技术，通过发现中间变量的低层电路，实现对模型参数的切割，进行因果分析。实验证明该方法在解密模型算法、揭示内部结构和追踪电路发展方面有效。与其他方法相比，该方法更加有效。在真实应用中，发现了负责主谓一致和反身指代的电路。

神经网络模型在复杂任务上表现出色，但解释困难。研究者提出了一种新的分析技术，通过发现中间变量的低层电路，实现对模型参数的切割，进行因果分析。实验证明该方法在解密模型算法、揭示内部结构和追踪电路发展方面有效。与其他方法相比，该方法更加有效。在真实应用中，发现了负责主谓一致和反身指代的电路。

基于Transformer架构的模型算法在符号Alchemy环境中表现出比基于模型无关的强化学习方法更好的性能，揭示了基于模型的方法在元学习中的相关性和Transformer架构的效率。