إسناد سلوك نماذج المُحَوِّل (Transformer) إلى الحسابات الداخلية يُعدُّ أحد التحديات الأساسية في مجال تفسير الآلية الميكانيكية للنماذج. نقدّم "DePass"، وهو إطار موحد لاستنتاج الميزات يعتمد على عملية تمرير أمامية مُفكَّكة واحدة. يُفكِّك DePass الحالة المخفية إلى مكونات جمعية مخصصة، ثم يُمرر هذه المكونات مع تثبيت قيم معاملات الانتباه (attention scores) وتنشيطات وحدة التحويل الخطي المتعدد (MLP). ويحقق DePass تحليلًا دقيقًا وموثوقًا للمساهمات دون الحاجة إلى تدريب إضافي. وقد قمنا بتحقق من فعالية DePass في مهام تحليل المساهمات على مستوى الرموز (token-level)، وعلى مستوى مكونات النموذج (model component-level)، وعلى مستوى الفضاءات الجزئية (subspace-level)، مما يُظهر كفاءته ودقته. وتسليط الضوء على تجربتنا يُظهر إمكانية استخدامه لتحليل تدفق المعلومات بين مكونات عشوائية في نموذج المُحَوِّل. نأمل أن يصبح DePass أداة أساسية لتطبيقات أوسع في مجال التفسيرية.