Goodfire Research 发布研究，考察稀疏自编码器（SAE）学到的方向与神经网络弯曲几何之间的关系。团队在包含甜甜圈、球面、莫比乌斯带等结构的合成数据上训练 SAE，发现随重建方向数量变化，SAE 会以三种方式恢复几何结构：碎片化（每个点由独立特征表示）、紧凑捕捉（少量共享特征充当坐标系）和稀释（中等数量特征部分共享）。在真实神经网络表示上训练时观察到的是稀释，单个 SAE 特征只覆盖流形的一部分，例如温度流形上「寒冷天气及其影响」与「极端高温及其影响」分别激活两端。
推荐理由Goodfire 用合成数据与 Llama 3.1 8B 展示 SAE 方向如何以三种方式拼出弯曲流形，并给出无监督发现流程。
Goodfire Research 提出沿表示空间中的流形而非直线进行表示引导，以控制神经网络行为。研究以星期几这一循环概念为案例，在 Llama-3.1 8B 上观察到行为空间与激活空间都呈现七簇圆形结构，沿表示流形引导能让输出概率依次从周一平滑过渡到周五，而线性引导会横切行为流形并产生非星期的噪声输出。研究还反向优化出沿行为流形的引导路径，发现其与表示流形路径形状吻合，说明行为几何与表示几何存在双向对应。论文进一步在月份、字母、年龄及合成上下文学习任务和图像动作模型上发现类似结构。
推荐理由以星期循环概念为例，展示表示流形与行为流形之间的对应关系，为表示引导提供几何视角。
Goodfire Research 在 Llama 3.1 8B 第 18 层发现一个通用加法模块，可同时处理算术、星期与月份等具有加法结构的任务。该模块把数字表示为激活空间中的一组圆，每个圆对应数字对某一模数的余数，类似傅里叶分解；计算 6+8 时，模块并行求解各模数下的加法，再组合出结果 14。研究者通过追踪跨层与跨 token 位置的信息流定位该模块，并用因果方法验证其跨任务通用性；同时沿这些圆进行引导可改变模型对月份问题的回答，说明这些流形是网络真实使用的计算对象。作者指出，这一发现依赖此前关于 LLM 用傅里叶特征表示数字的工作，并希望未来研究补全经验证据。
推荐理由原文用因果干预验证了 Llama 3.1 8B 第 18 层的通用加法模块，为机制可解释性研究提供了一套可迁移的定位与验证方法。
Anthropic 联合 MATS、Truthful AI 等机构提出 Activation Oracles（AO），训练 LLM 把目标模型的神经激活当作额外输入模态，用自然语言回答关于这些激活的任意问题。方法上，AO 以目标模型副本初始化，将多层激活注入其第 1 层残差流，并用系统提示问答、二分类和自监督上下文预测三类数据做监督微调。在四个下游审计任务中，AO 在三个上达到或超过此前最优方法，包括从被训练为只给线索不直说答案的 Taboo 模型中提取秘密词，以及识别微调引入的涌现性失准；这些 AO 均只在微调前的原始模型上训练，仍能泛化到微调模型。
推荐理由Anthropic 与多所高校合作提出用语言模型直接解读激活值，在四类审计任务中三类达到最优，并给出与机制可解释性方法的取舍对比。
Goodfire Research 用 Llama 3.1 8B 做案例研究，发现大语言模型在逐句阅读故事时，其内部激活会在概念空间中沿弯曲流形移动，动态追踪故事情感走向。研究先验证 LLM 的情感表征与心理学价-唤醒模型一致，再让模型对每句话后的惊讶、厌恶、愤怒、快乐、悲伤、恐惧按 0-10 打分，形成行为读数，且无需询问情感的内部探针同样准确。
Anthropic 的可解释性研究团队在 Claude Sonnet 4.5 中发现了情绪概念的内部表征，并表明这些表征会因果性地影响模型的输出。研究以 Transformer Circuits 文章形式发布，但当前可见内容仅为摘要，未提供具体探测方法、表征位置和实验细节。
推荐理由Anthropic 在 Claude Sonnet 4.5 中找到情绪概念表征并给出其因果影响输出的证据，是机制可解释性研究的一个具体案例。
Anthropic 可解释性团队发布交互式工具 HeadVis，用于研究大语言模型中的注意力头，并开源了前端代码与后端接口规范。工具通过注意力模式可视化、分布指标、低秩分量投影以及经 QK 和 OV 电路的 SAE 特征归因，帮助生成和检验关于注意力头功能的假设。作者用 Claude Haiku 3.5 做了四个案例：归纳头在特征基上表现为模糊归纳；此前研究的行宽头在完整分布上呈现年份、多 token 词和换行三种行为，PCA 显示 Q、K、O 激活可清晰聚类；答案选择头在更广分布上复用了同一套选择机制，虚拟权重分析提示它可能是单义的；同集合抑制头会抑制国家与其本国城市之间的注意力，在 185 句自造句子上有 98% 的情况成立。
推荐理由Anthropic 开源了注意力头可视化工具 HeadVis，并给出四个从易到难的案例，展示注意力头在完整数据分布上的行为如何偏离单一任务描述。
Goodfire Research 提出 Block-Sparse Featurizers（BSF），用多维子空间替代 SAE 等常用方法的一维直线假设，把模型激活分解为成组同时激活的 block。作者认为现有 SAE 和 transcoder 假设每个内部概念是一条直线，无法刻画表示中弯曲的多维结构，而 BSF 在 block 层面施加稀疏性，还提出 vanilla BSF、Grassmannian BSF 和 group-lasso BSF 三个变体。
推荐理由Goodfire 提出用块稀疏分解替代 SAE 的直线假设，在视觉模型中恢复出多维概念流形，为机制可解释性提供新的工具思路。
Anthropic 可解释性团队提出自然语言自编码器（NLA），一种无监督生成 LLM 激活自然语言解释的方法。NLA 由激活语言化器（AV）和激活重建器（AR）两个 LLM 模块组成，二者以目标模型副本初始化，经监督微调预热后，用强化学习联合训练以重建残差流激活，重建质量以方差解释比例（FVE）衡量，论文中达到 0.6–0.8。作者在 Claude Opus 4.6 的部署前审计中应用 NLA，帮助诊断安全相关行为，并发现模型未说出口的评测感知，即模型内部认为自己在被评测却未明说。在需要端到端调查一个故意错位模型的自动化审计基准上，配备 NLA 的智能体优于基线，且无需访问该模型的训练数据。
推荐理由Anthropic 提出用自然语言自编码器把激活翻译成可读解释，并给出审计 Claude Opus 4.6 的案例与量化评测。
Anthropic 可解释性团队提出用 TWERA 排序的下游特征来补充标准特征描述，从而区分外观相似但因果作用不同的特征。标准做法只看 top activating examples 和 top unembeds，往往无法区分两个都激活于同一提示词的特征，例如在“草是什么颜色”中只有 Feature B 被抑制才会把答案从 Green 改成 Red。团队用 TWERA 虚拟权重衡量特征间的下游连接，发现 Feature A 的下游是十六进制颜色编码，Feature B 的下游更泛化并包含“说出 green”的特征。
推荐理由Anthropic 可解释性团队用下游连接区分外观相似的特征，并给出可迁移的审计方法。
Anthropic 可解释性团队发布 2026 年 6 月更新，介绍包括 Turn-Averaged SAE 在内的多项初步研究，并说明这些结果更接近实验室内部讨论而非成熟论文。Turn-Averaged SAE 的做法是把单个人类或助手回合内所有 token 的残差流取平均，再训练 SAE 重建该表示，从而把每个回合的特征激活数量从 n_tokens × L0 降到 L0。
Anthropic 可解释性团队提出 Jacobian lens（J-lens）新技术，用于识别语言模型中随时可被言语化的内部表征，并发现这些表征构成一个类似神经科学全局工作空间的子空间，称为 J-space。J-lens 通过计算激活对模型输出 token 的一阶因果效应并在大量上下文上取平均，改进了 logit lens，能在更早的层读出可解释内容。作者称 J-space 具备言语报告、定向调制、内部推理、灵活泛化和选择性五项功能属性，但只占激活总方差的一小部分。
推荐理由Anthropic 提出 Jacobian lens 新方法，把模型可言语化的内部表征识别为一个类似全局工作空间的子空间，为审计模型未说出口的推理提供了可迁移工具。
Anthropic 可解释性团队训练了一个约 2.9M 参数的单层 Transformer，将其分解为 token、位置、transcoder 特征与 logits 之间的虚拟权重，并沿有效性和有益性两个轴为每个权重打分，首次在训练好的 Transformer 内部通过测量对训练损失的影响确认了干扰权重的存在。有效性用 Fisher 信息度量权重对输出分布的影响，有益性用消融后损失的平均变化度量。
推荐理由Anthropic 可解释性团队在单层 Transformer 中首次用损失变化定位干扰权重，为直接读取权重电路提供了可复现的度量方法。
研究者提出 Activation Flow（ActFlow），无需微调即可从 k 个正确标签制造激活向量，用于对故意藏拙的模型进行引导。方法通过设定目标 logits 并在一层向全部 k 条残差流加入同一向量 x，用一族常微分方程求解 x。
研究者提出 Hessian Null Space Continuation（HNC），一种利用局部曲率在权重空间中穿行、保持网络功能不变并可导向指定性质解的方法。
Redwood Research 提出 NLS depth（自然语言根基节点分隔深度），用于量化模型可执行的不可言说串行认知量，作为思维链可监控性的代理指标。该指标基于 GDM 论文（Brown-Cohen 等，2026）的"不透明串行深度"概念，将输出文本且由预训练先验初始化的节点视为"可解释瓶颈"，标准 Transformer 的该深度与层数成正比。
一项基于 470 万条提示注入与隐藏行为解释的研究比较了模型计算信号与仅依赖对话结构的排序器，发现在四个数据集中的三个上，只解释 5% 的位置就能接近逐位置解释的成功率，此处成功指获得有关威胁的解释。研究还表明，预训练的言语化器无需额外训练即可还原模型经微调学会隐藏的词。作者指出这有助于确定审计者的解释生成重点。
Redwood Research 发文论证，潜在推理架构允许模型在隐状态中完成更多计算，可能削弱依赖可读思维链的监控。作者认为，可读推理形成的计算限制是现有监控的重要条件，COCONUT、full-bandwidth transformers、looped transformers 等路线可能绕开这一条件。文章在9月29日修订时收窄了结论；这是对架构发展方向的风险判断，不能据此认定所有潜在推理模型都无法监控。
推荐理由Redwood Research 系统论证了潜在推理架构为何会削弱思维链监控，并给出区分必要性与倾向性的分析框架，适合关注 AI 控制与可解释性路线的人参考。
作者发布 WorkspaceBench，一套评估激活到文本工具能否读取模型全局工作区（前向传播中的中间变量）的基准，共 3356 道题、27 个评测族，覆盖安全、逻辑推理与多跳计算，并包含面向单 token 输出工具的子集和专门的幻觉评测。基准基于 Qwen-3.6-27B 开发，作者预期可用于更大模型，但更小或更弱的模型可能需要调整。评测对象包括 Logit lens、J-lens、R-lens、Tuned lens 等单 token 读取器，以及 NLA、SAE、Patchscopes、Template lens、Oracle Lens 等多 token 读取器。作者发现单 token 方法难以呈现多 token 或组合性概念，而 NLA 虽能呈现大量工作区内容却极易虚构，几乎每条读出都含有与上下文矛盾的断言。
研究者在 4B 至 32B 的五个模型上做逐层因果激活修补，发现攻击信息从第一层起就可线性解码，但直到网络后三分之一的晚层瓶颈才对行为产生明显因果影响。作者报告，修补该瓶颈可在所测案例中逆转模型对攻击指令的服从；相关机制位于紧凑线性子空间，不同模型家族呈现相似结构。这是受测模型和实验设定内的机制研究，不是对任意模型的通用防御保证。
Lukas Finnveden 在 AI Alignment Forum 发文认为，向潜在推理架构的转变很可能削弱思维链（CoT）的可监控性，使 AI 监督更加困难。文章把 CoT 当前的价值分为两类：必要性，即模型不把计划说出来就无法完成目标；倾向性，即模型即使没必要也倾向于把推理写进 CoT。作者认为必要性论证更稳健，因为 CoT 是模型突破单次前向传播串行步数限制的唯一途径，且 RL 不会很快探索出高度非人类的 CoT 用法。潜在推理架构会缩小甚至消除有 CoT 与无 CoT 能力之间的差距：COCONUT 完全用连续潜在思维替代文本 CoT，full-bandwidth transformer 在 CoT 之外并行增加潜在通道，looped transformer 则在文本瓶颈之间大幅增加串行深度。