Decomposed Forward Pass（DePass）是由清华大学、上海人工智能实验室于 2025 年 11 月提出的，相关研究成果发表于论文「DePass: Unified Feature Attributing by Simple Decomposed Forward Pass」，入选 NeurIPS 2025 。

DAVSP 是一个基于单一分解前向传递的统一特征归属框架，它将每个隐态分解为加法分量，将这些分量传播到剩余的层级，然后获得每个分量对目标表示的精确贡献。在分解后的前向传递中，注意力分数和 MLP 激活被固定，并根据分解后的成分分配加权贡献。与其他方法相比，DePass 在不同粒度层级上实现了更忠实的归属。