기여도 점수(Attribution scores)는 가지치기(pruning), 해석 가능성(interpretability), 그리고 안전을 위한 편집(editing)과 같은 애플리케이션에서 언어 모델의 어떤 뉴런 행(neuron rows)이 중요한지를 점점 더 잘 식별하고 있지만, 이것이 인과적으로 중요한 행을 식별하는지는 직접적으로 테스트되는 경우가 드뭅니다. 우리는 원샷 뉴런 행 제로화(one-shot neuron-row zeroing)를 기반으로 구축된 두 가지 쌍을 이룬 감사(audits)를 통해 이 문제를 다룹니다. 먼저 우리는 언어 모델링(language-modeling) 수준에서 선택기(selectors)를 감사합니다. 기여도 기반 방법(attribution methods)은 5개의 LLM에 걸쳐 불필요한 행을 식별하는 데 있어 활성화(activation) 및 크기 기반(magnitude-based) 베이스라인보다 실질적으로 우수한 성능을 보였습니다. 그런 다음 우리는 동일한 개입(intervention)을 대조적인 유해(harmful) 대 양성(benign) 신호로 구동하여 행동 테스트로 변형합니다. 기여된 행들은 혐오 및 범죄에 대한 거절(refusal)을 설치하기에 충분하면서도, 양성 사례에 대한 과잉 거절(over-refusal)을 낮게 유지하고 언어 모델의 유창성(fluency)을 보존하며, 동일한 깊이의 레이어 매칭 무작위 대조군(layer-matched random controls)이 실패한다는 점에서 구체적입니다. 순위 안정성(rank-stable)이 높은 선택기들이 인과적으로 가장 타당성이 낮을 수 있습니다. 더욱이 거절은 중복된 부분 공간(redundant subspace)에 존재하며, 여기서 서로 다른 기여도 방법들은 대체로 서로 분리된 행 집합을 통해 이를 설치합니다. 따라서 복구된 편집은 고유한 메커니즘이라기보다 충분한 집합의 하나의 실현(realization)입니다. 종합하면, 이러한 발견은 순위 안정성 프록시(rank-stability proxies)가 직접적인 인과적 감사(causal audit)를 통해 드러낼 수 있는 선택기 실패 유형을 놓치고 있음을 보여줍니다.