Spaces:
Running
Running
File size: 23,531 Bytes
9d0d4e9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 | # InfoLens / INNERSCOPE — 统一工作流重设计 Prompt
> **目标受众**:专精 UI/UX 设计的 Agent
> **任务**:理解现有前端架构和各功能模块,设计一个统一的工作流 demo,将当前孤立的 7 个功能(含新训练的 Tiny-NLA)有机融合为一个流畅的「输入文本 → 多维度探索模型内部」体验。
> **输出形式**:给出初步的 HTML/CSS/JS demo(可以是静态原型或可交互 demo),不需要对接真实后端 API。
> **重要的**:这是概念验证 demo,不是产品实现。你可以自由选择任何设计方向、技术栈、视觉风格。不要被现有代码的样式束缚。
---
## 一、项目是什么
**InfoLens(品牌名 INNERSCOPE)** 是一个「透视大语言模型内部」的可视化工具箱。用户输入一段文本,通过不同的分析维度观察模型在想什么。
- **服务端**:Python Flask/Connexion,跑在本地 M4 Pro Mac 上
- **模型**:Qwen3-0.6B (base + instruct),本地 CPU/MPS 推理
- **用户画像**:AI 研究者 / 可解释性爱好者,希望直观看到模型内部状态
---
## 二、现有前端代码结构(供参考,不需要遵循)
```
client/src/
├── index.html # 首页(导航网格)
├── analysis.html # Info Highlight 页
├── chat.html # Raw Chat 页
├── attribution.html # Attribution 页
├── causal_flow.html # Causal Flow 页
├── logit_lens.html # Logit Lens 页
├── branch_tree.html # Branch Tree 页
│
├── webpack.config.js # 多入口打包
│
├── pages/ # 每个页面的 TS 入口
│ ├── home/index.ts
│ ├── analysis/index.ts
│ ├── chat/index.ts # ~800 行,最复杂
│ ├── attribution/index.ts
│ ├── causal_flow/index.ts
│ ├── logit_lens/index.ts
│ └── branch_tree/index.ts
│
├── shared/ # 跨页面共享基础设施
│ ├── api/GLTR_API.ts # TextAnalysisAPI 类(所有后端通信)
│ ├── core/ # URL 解析、事件总线、工具函数
│ ├── ui/ # toast, dialog, 主题/语言切换, 面板布局
│ ├── vis/ # D3 可视化组件(Token着色、Tooltip、直方图、散点图)
│ └── lang/translations.ts # i18n 翻译
│
├── partials/ # HTML 片段(被 include 到页面中)
│
├── features/ # 按功能域拆分
│ ├── analysis/ # Info Highlight 流程
│ ├── chat/ # 对话/续写逻辑
│ ├── causal_flow/ # Causal Flow 逻辑
│ └── demo/ # Demo 存储
│
└── css/pages/ # 每页独立的 SCSS
```
---
## 三、7 个功能模块详解(含完整 API Schema)
### 3.1 Info Highlight — Token 级别信息密度分析
**做什么**:展示模型对文本中每个 token 的「意外程度」——哪些词模型觉得理所当然,哪些词让它意外。
**API:`POST /api/analyze`**
```
请求:
{
"model": "base" | "instruct",
"text": "water freezes into solid ice",
"stream": false // 可选,true 时 SSE 流式返回
}
响应 200:
{
"request": { "text": "water freezes into solid ice" },
"result": {
"model": "qwen3-0.6b-base",
"bpe_strings": [
{
"offset": [0, 5], // 字符偏移 [start, end)
"raw": "water", // token 原文
"real_topk": [156, 0.023], // [模型排序名次, softmax 概率]
"pred_topk": [ // 该位置 top-N 候选
["ice", 0.34],
["liquid", 0.18],
...
]
},
...
]
}
}
错误:400 (缺参数) / 404 (模型未注册) / 500 (推理失败) / 503 (模型加载失败)
```
**附加子功能 — 语义搜索:`POST /api/analyze-semantic`**
```
请求:
{
"query": "frozen", // 查询主题
"text": "...", // 原文
"stream": false, // 可选 SSE 流式
"submode": "count", // 可选: count / fill_blank
"debug_info": true // 可选,返回 top10 预测
}
响应 200:
{
"success": true,
"model": "qwen3-0.6b-instruct",
"token_attention": [
{
"offset": [13, 19],
"raw": "solid",
"score": 0.87 // 对 query 的语义关注度
},
...
],
"debug_info": { // 仅 debug_info=true 时
"abbrev": "...",
"topk_tokens": [...],
"topk_probs": [...]
}
}
```
---
### 3.2 Raw Chat — 对话 & 续写
**做什么**:和模型对话,可视化每次续写中每个生成 token 的细节。支持 Raw 模式(直接给 prompt)和 Chat 模式(system + user prompt + chat template)。
**API 链(3 步):**
**Step 1 — 组装 prompt:`POST /v1/completions/prompt`**
```
请求:
{
"model": "qwen3-0.6b-instruct",
"messages": [
{ "role": "system", "content": "You are a helpful assistant." },
{ "role": "user", "content": "What is water?" }
],
"tools": [...], // 可选 OpenAI tools schema
"enable_thinking": false // 可选,启用 Qwen3 thinking 模式
}
响应 200:
{
"prompt_used": "<|im_start|>system\n...<|im_end|>\n<|im_start|>user\nWhat is water?<|im_end|>\n<|im_start|>assistant\n"
}
```
**Step 2 — 续写(SSE 流式):`POST /v1/completions`**
```
请求:
{
"model": "qwen3-0.6b-instruct",
"prompt": "<|im_start|>system\n...", // 从上一步或直接构造
"max_tokens": 256, // 可选,正整数
"temperature": 0.7, // 可选,0-2
"top_p": 0.9, // 可选,0-1
"stop": ["\n\n"] // 可选,停止序列(最多4个)
}
// 响应恒为 text/event-stream (SSE)
// type=delta → 增量 token
// type=result → 末条,data 同 OpenAICompletionsResponse
SSE 末条 data (type=result):
{
"id": "cmpl-xxx",
"object": "text_completion",
"created": 1719000000,
"model": "qwen3-0.6b-instruct",
"choices": [{
"text": "Water is a chemical substance...",
"index": 0,
"finish_reason": "stop" // stop / length / content_filter
}],
"usage": {
"prompt_tokens": 24,
"completion_tokens": 45,
"total_tokens": 69
},
"info_radar": { // 续写 token 级分析
"bpe_strings": [
{ "offset": [0, 5], "raw": "Water", "real_topk": [1, 0.92], "pred_topk": [...] },
...
]
}
}
```
**Step 3 — 停止生成:`POST /v1/completions/stop`**
```
请求:(无 body)
响应 200:{ "ok": true }
```
**高级功能**:Tool Calling 多轮模拟(通过 `/v1/completions/prompt-incremental` 计算 tool response 增量后缀)、Teacher Forcing(强制续写特定文本)、multi-turn 对话缓存与恢复。
---
### 3.3 Attribution — 输入对预测的因果归因
**做什么**:给定上下文和目标预测,分析「是哪些输入词驱动了这个预测」。提供两种方法:梯度归因(gradient-based)和消融归因(ablation/occlusion-based)。
**方法 A — 梯度归因:`POST /api/prediction-attribute`**
```
请求:
{
"context": "water freezes and turns into solid", // 必填,token 数 ≤ 2000
"target_prediction": " ice", // 可选,缺省用 top-1
"model": "base" | "instruct", // 必填
"source_page": "attribution", // 必填
"flow_id": null, // 可选,连续归因会话 ID
"flow_step": null // 可选,连续归因步骤
}
响应 200:
{
"success": true,
"model": "qwen3-0.6b-base",
"target_token": "ice", // 归因目标 token
"target_prob": 0.34, // 预测概率
"token_attribution": [
{
"offset": [0, 5], // 字符偏移 [start, end]
"raw": "water",
"score": 0.42 // 梯度 L2 范数归因分(正值=支撑,越低越无关)
},
{ "offset": [30, 35], "raw": "solid", "score": 0.78 },
...
],
"debug_info": { // 下一 token 的 top-10
"topk_tokens": ["ice", "liquid", "crystal", ...],
"topk_probs": [0.34, 0.18, 0.12, ...]
},
"is_eos": false // target 是否为 EOS token
}
```
**方法 B — 消融归因:`POST /api/ablation-attribute`**
```
请求:
{
"context": "water freezes and turns into solid", // 必填,token 数 ≤ 500
"target_prediction": " ice", // 可选,与 target_token_id 互斥
"target_token_id": null, // 可选,直接指定 token id
"model": "base" | "instruct",
"source_page": "attribution"
}
响应 200:
{
"success": true,
"target_token": "ice",
"target_prob": 0.34, // baseline 概率
"token_attribution": [
{
"offset": [0, 5],
"raw": "water",
"score": 0.12, // ΔP = baseline_prob − occluded_prob(可为负)
"delta_logit": 0.38 // Δlogit
},
...
],
"is_eos": false
}
错误:400 (缺字段/model非法/超长) / 500 (推理失败) / 503 (繁忙)
```
---
### 3.4 Logit Lens — 逐层解码轨迹
**做什么**:看模型在每一层的「中间想法」——把每层 hidden state 投影到词表(final norm + lm_head),展示每层 top-k 候选词和目标词概率如何逐层演化。
**API:`POST /api/logit-lens`**
```
请求:
{
"context": "The sun rises in the east and sets in the", // 必填,token 数 ≤ 500
"target_prediction": " west", // 可选,与 target_token_id 互斥
"target_token_id": null, // 可选
"model": "base" | "instruct",
"source_page": "logit_lens"
}
响应 200:
{
"success": true,
"model": "qwen3-0.6b-base",
"target_token": "west",
"n_layers": 28, // Transformer 层数(不含 embedding)
"final_target_prob": 0.72, // 最终层目标 token 概率
"layers": [
{
"layer": 0,
"is_embedding": true, // 第 0 层为 embedding 层
"topk_tokens": ["the", "a", "in", "and", ...],
"topk_probs": [0.12, 0.09, 0.07, 0.06, ...],
"target_prob": 0.001 // 目标词在该层的概率
},
{
"layer": 1,
"is_embedding": false,
"topk_tokens": ["in", "the", "to", "of", ...],
"topk_probs": [0.15, 0.11, 0.08, 0.07, ...],
"target_prob": 0.003
},
... // 共 n_layers+1 层(含 embedding)
{
"layer": 28,
"is_embedding": false,
"topk_tokens": ["west", "east", "north", ...], // 最终层
"topk_probs": [0.72, 0.08, 0.03, ...],
"target_prob": 0.72
}
],
"is_eos": false
}
```
**关键概念 — Eureka 层**:目标词首次跃至 top-1 的那一层。例如 layer 18 时 `west` 概率首次超过所有其他候选,这就是「模型想通了这是 west 的那一层」。
---
### 3.5 Branch Tree — 续写分支展开
**做什么**:输入前缀,展开模型所有可能的续写路径(top-k tree),递归探索「模型会怎么往下写」。
**API:`POST /api/branch-next`**
```
请求:
{
"prefix": "The sun rises in the", // 必填
"model": "base" | "instruct", // 必填
"source_page": "branch_tree", // 必填
"top_k": 10 // 可选,候选数(默认10,上限50)
}
响应 200:
{
"success": true,
"model": "qwen3-0.6b-base",
"prefix_tokens": 5, // prefix 的 token 数
"candidates": [
{ "token": "east", "token_id": 8423, "prob": 0.48 },
{ "token": "west", "token_id": 2534, "prob": 0.22 },
{ "token": "sky", "token_id": 6712, "prob": 0.08 },
...
],
"is_context_full": false // true 时前端应禁用展开
}
错误:400 (缺参数/model非法/超长) / 500 / 503
```
**递归模式**:选择一个候选 → 拼接进 prefix → 再次调用 branch-next → 形成树。前端负责树的构建和渲染逻辑。
---
### 3.6 Causal Flow — 因果信息流
**做什么**:追踪信息如何在模型层间流动,观察归因信号沿生成步骤的传播。核心是「文本自回归生成 + 每一步的输入 token 对输出 token 的梯度归因」的串行管道。
**依赖的 API**(Causal Flow 是客户端编排的复合流程):
1. `POST /api/tokenize` — 分词(见下方 3.6.1)
2. `POST /api/branch-next` — 获取 top-k 候选(同 3.5)
3. `POST /api/prediction-attribute` — 每一步的梯度归因(同 3.3),带 `flow_id` + `flow_step` 连续归因
4. `POST /v1/completions/prompt` — 组装 prompt(同 3.2 Step 1)
5. `POST /v1/completions` — 续写生成下一个 token
**客户端流程**:输入 context → tokenize → 自动循环:用当前 context 调用 branch-next,选 top-1 → 调用 prediction-attribute 归因当前步 → 拼接 token → 继续下一步(或手动选择分支方向)
**预计算 Demo 数据**:可加载预计算的完整归因 DAG,以 D3 力导向图或传播动画播放,无需实时推理。
---
### 3.6.1 Tokenize — 文本分词(通用工具端点)
**API:`POST /api/tokenize`**
```
请求:
{
"context": "Hello, world!", // 必填
"model": "base" | "instruct" // 必填
}
响应 200:
{
"success": true,
"spans": [
{ "offset": [0, 5], "raw": "Hello" },
{ "offset": [5, 6], "raw": "," },
{ "offset": [6, 7], "raw": " " },
{ "offset": [7, 12], "raw": "world" },
{ "offset": [12, 13], "raw": "!" }
]
}
错误:400 (缺字段/model非法)
```
**特点**:不持有推理锁,不做前向/梯度计算,响应极快。是构建统一工作流的「第一步」。
---
### 3.7 🆕 Tiny-NLA Activation Explainer(新训练的模型)
**做什么**:给定一个 token 位置的激活向量(从模型 layer 19 残差流提取的 1024 维向量),用 LoRA 微调的小模型解释「这个激活向量代表了什么概念」。支持两种输入模式:传入文本让后端自动提取激活,或直接传入向量。
**模型细节**:
- **架构**:Qwen3-0.6B-Base + LoRA adapter (r=8, alpha=16) @ layer 19 + AR head(线性层 1024→1024)
- **推理精度**:float32 + eager(独立加载,不复用 base 槽位的 float16)
- **训练数据**:284 条 teacher labeled 激活-解释对
- **设备**:Apple M4 Pro MPS
- **核心机制**:用特殊 token `㈎`(id=149705)作为激活注入锚点,注入归一化后的激活向量(injection_scale=126.223),AV 模型 generate 出自然语言解释,AR head 重建后计算 cosine 评估可信度
**API:`POST /api/activation-explain`**
```
请求模式 A — 文本模式(自动提取激活):
{
"model": "base" | "instruct", // 必填
"source_page": "logit_lens", // 必填
"text": "water freezes into solid ice", // 输入上下文
"token_index": 4 // 目标 token 位置(text 模式必填,必须 ≥ 0 且在范围内)
}
请求模式 B — 向量模式(直接传入):
{
"model": "base",
"source_page": "workspace",
"vector": [0.12, -0.34, 0.56, ...] // 恰好 1024 个 float(与 text 互斥)
}
响应 200:
{
"success": true,
"concept": "", // 概念标签(当前为空,可后续扩展)
"explanation": "This activation vector encodes the concept of water turning into a solid state through freezing, capturing the physical phase transition from liquid to ice.",
"roundtrip_cosine": 0.6631, // 重建可信度分数 (0-1)
"vector_dim": 1024, // 向量维度
"note": "" // 备注或状态说明
}
错误:
400 — 缺字段、model 非法、text/vector 均未提供、token_index 越界、向量维度不为 1024
500 — Tiny-NLA 推理失败
503 — 推理锁等待超时(30s)
```
**可信度解读**(roundtrip_cosine):
- **≥ 0.70** — 优秀(Excellent):解释高度忠实于激活
- **0.60–0.70** — 良好(Good):解释与激活有较强关联
- **0.50–0.60** — 可用(Fair):解释方向大致正确
- **< 0.50** — 保留(Low):解释与激活关联较弱,仅供参考
**模型性能基线**:
- AV(Activation Vector 模型):best_val_loss = 0.64
- AR(Auto-Regressive head):best_val_cosine = 0.6631,mean baseline cosine = 0.5962,shuffled baseline = 0.5252
- 相比随机 baseline 提升 0.07(统计显著)
## 四、核心问题
```
现状:6 个功能 = 6 个独立页面
❌ 同一段文本要在不同页面反复输入
❌ 结果之间没有关联(Logit Lens 的结果不能顺手看 Attribution)
❌ 新模型(Tiny-NLA)完全没接入前端
❌ 用户体验割裂——每个功能像独立的工具而非一个整体
```
---
## 五、设计目标
> **输入一次文本,在一个页面上以多种「透镜」/「视角」探索模型内部。**
期望的用户旅程:
1. 用户输入一段文本 → tokenize 为可交互的 token 序列
2. 用户选中某个 token → 可以从多个维度探索:
- 📊 **Info Highlight**:看 surprisal
- 🎯 **Attribution**:看哪些前文驱动了这个 token
- 🔍 **Logit Lens**:看逐层解码轨迹
- 🌳 **Branch Tree**:展开可能的续写
- 🧠 **Activation Explainer**:解释激活向量代表什么概念
- 🔗 **Causal Flow**:看信息流向
3. 多个分析视图可以同时打开,共享同一份输入上下文
**你可以完全自由地设计交互模式和视觉风格**,不需要考虑现有前端代码的任何约束。
---
## 六、Mock 数据 & 接口设计自由度
### 现有接口参考
所有后端的完整请求/响应 schema 见**第三章各小节**。demo 中构造 mock 数据时,请直接参考对应功能的 API 响应结构。
### 🆕 可以设计新接口
**你不必拘泥于现有接口。** 如果统一工作流的交互需要新的后端接口来达到更好的效果,完全可以提出新的 API 设计。
**前提条件**:新接口必须在我们后端能力范围内。我们后端的能力边界是:
- **运行时**:Python Flask/Connexion,单个 `server.py` 注册函数即自动生成路由
- **模型能力**:
- Qwen3-0.6B (base + instruct) — 前向推理、logits 获取、hidden states 提取、tokenize
- Tiny-NLA (LoRA + AR head) — 激活解释(已有)
- **可做的计算**:
- 单个 token 的前向传播及 hidden states
- 任意层的 hidden state 投影到词表(logit lens 的核心操作)
- 梯度计算(需 backward)
- 两个向量的 cosine 相似度、L2 距离
- token 级别的概率获取
- **做不到的**:
- 大规模 batch 训练(但我们的训练代码在 `experiments/tiny_nla/` 中,可以离线跑)
- 需要额外预训练模型的计算(除非把模型文件放到 `artifacts/` 下)
**如果你设计了新接口,在 demo 中用 mock 数据即可。我们在后续实现阶段会在后端补上。**
关键端点速查:
- **Info Highlight** → 3.1 节 `POST /api/analyze` 响应
- **Info Highlight 语义搜索** → 3.1 节 `POST /api/analyze-semantic` 响应
- **Raw Chat** → 3.2 节 `POST /v1/completions` SSE 末条响应
- **Attribution 梯度** → 3.3 节 `POST /api/prediction-attribute` 响应
- **Attribution 消融** → 3.3 节 `POST /api/ablation-attribute` 响应
- **Logit Lens** → 3.4 节 `POST /api/logit-lens` 响应(注意 layers 数组结构)
- **Branch Tree** → 3.5 节 `POST /api/branch-next` 响应
- **Causal Flow** → 3.6 节复合流程(tokenize + branch-next + prediction-attribute 串行)
- **Tokenize** → 3.6.1 节 `POST /api/tokenize` 响应
- **🆕 Activation Explainer** → 3.7 节 `POST /api/activation-explain` 响应
---
## 七、设计资源 & 参考
### 设计灵感网站(自由参考)
- **https://21st.dev/** — 现代 UI 组件灵感和设计模式
- **https://cuicui.day/application-ui** — 应用 UI 设计参考
- **https://ui.aceternity.com/** — 创新 UI 组件和动画效果
### 本地设计仓库(内含设计规范)
**[impeccable](https://github.com/pbakaus/impeccable)** — Anti-Design-Slop 检测器
- `AGENTS.md` — 仓库规范和工作流
- `DESIGN.md` — Neo Kinpaku 设计系统(暗色漆器 + 金箔 + 铜绿),包含完整的色彩、排版、圆角、间距 token 和组件规范(button、input、card、nav-link 等)
- `CLAUDE.md` — Claude 专用的详细行为规范和交互模式
- `docs/STYLE.md` — 风格指南
- **核心哲学**:避免 AI 生成设计中的常见反模式(AI-purple gradients、三列等大 Feature Cards、过度 glassmorphism、无限循环微动画等)
**[taste-skill](https://github.com/Leonxlnx/taste-skill)** — Anti-Slop 前端 Skill
- `skills/taste-skill/SKILL.md` — 核心设计 Skill(85KB),包含:
- 「Read the Room」——先推断设计意图再动手
- 「三旋钮」系统(DESIGN_VARIANCE / MOTION_INTENSITY / VISUAL_DENSITY)从 1-10 控制视觉风格
- 设计系统映射表(何时用 Fluent UI / Material / Carbon / Primer / govuk-frontend / shadcn 等)
- 反默认纪律(避免 LLM 默认审美)
- `skills/minimalist-skill/SKILL.md` — 极简风格
- `skills/brutalist-skill/SKILL.md` — 粗野主义风格
- `skills/soft-skill/SKILL.md` — 柔和风格
- `skills/redesign-skill/SKILL.md` — 重设计方法论
- `skills/stitch-skill/SKILL.md` — 设计缝合参考
**建议在开始设计前,至少阅读 `impeccable/DESIGN.md` 和 `taste-skill/skills/taste-skill/SKILL.md` 以了解高质量设计的核心原则。**
---
## 八、交付要求
### 必须包含
1. **统一输入区**:一个文本框接受用户输入,tokenize 后展示为可交互的 token 序列
2. **至少 3 种分析入口**:包括至少 Logit Lens、Attribution、Tiny-NLA Activation Explainer
3. **多视图共存**:可以同时看到至少 2 种分析的输出(不互斥)
4. **Token 选择交互**:点击 token 触发对应分析
5. **Mock 数据**:用静态数据代替真实 API 响应
### 不需要做的
- 不需要对接真实后端 API
- 不需要实现完整的 i18n
- 不需要考虑 webpack 集成(独立 HTML 即可)
- 不需要实现 Admin / Settings 功能
### 交付物
一个或多个独立的 HTML/CSS/JS 文件,可以在浏览器中直接打开运行。
---
## 九、自由发挥空间
以下内容**完全由你决定**,不受任何限制:
- 🎨 **视觉风格**:暗色/亮色、极简/丰富、任何配色方案
- 🖼️ **布局方式**:面板/分屏/Tab/卡片网格/画布/任何创意布局
- 🎬 **动效设计**:过渡/微交互/动画,完全自由
- 📐 **交互模式**:点击/悬停/拖拽/快捷键/手势
- 🏗️ **技术选型**:原生 CSS / Tailwind / 任何 CSS 框架 / 任何 JS 库
- 📝 **文案风格**:技术性 / 产品化 / 趣味化,任意
**唯一的要求是:看起来不像"又一个 AI 生成的 demo",而是像一个真正有设计思考的产品。**
|