可解释性arXiv 2610.12361
研究：法律推理模型引用法条不等于依据法条
用依据置换与隐层追踪审计法律思维链是否真正依赖所引法条
- arXiv
- 2610.12361
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-8B、Qwen3-14B、Llama-3.1-8B 等 7 个
摘要作者通过依据置换反事实与内部承诺追踪发现法律 CoT 裁决对依据依赖度有限，且易受提示注入操纵。
本研究针对法律领域大语言模型思维链推理中引用法律依据的因果真实性展开实证审计。
- 可解释性arXiv 2610.09600
SafeEvo：从拒答回路视角解释大模型安全对齐机制与演化
用 SafeEvo 提取拒绝电路，并提出 SCA 仅微调该电路
- arXiv
- 2610.09600
- 发表
- 场景
- 模型与 API
- 被测模型
- Llama-3-8B、Qwen-2.5-7B、Mistral-7B-v0.1 等 4 个
摘要SafeEvo 识别出基座模型中存在的弱安全电路及其演化动态，据此提出的 SCA 算法实现了安全对齐、能力保留与低过度拒绝的平衡。
- 可解释性arXiv 2610.09384
人格层级模型解释微调 LLM 的上下文泛化
提出人格层级模型并设计 PPR 抑制奖励作弊的跨上下文泛化
- arXiv
- 2610.09384
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-4B、Llama-3.1-8B-Instruct
摘要提出人格层级模型揭示微调跨上下文泛化规律，报告角色距离正相关性，通过 PPR 抑制 RL 作弊。
- 可解释性arXiv 2610.09087
U-Space：揭示语言模型不确定性何时与为何产生
提出 U-SPACE 与 U-LENS，从残差流估计推理轨迹不确定性
- arXiv
- 2610.09087
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Gemma-4-31B-it、Qwen3.5-27B、Magistral-Small-2507
- 组件推理链
摘要U-SPACE 与 U-LENS 用语义方向和预测熵读推理不确定性，长度控制后仍高于所比基线。
U-SPACE 与 U-LENS 是面向推理模型的无训练读出：用语义方向定位不确定性的形式，并用一个轨迹分数区分更可能错的回答。
- 可解释性arXiv 2610.09000
研究定位 LLaMA-2-7B-Chat 安全敏感参数
定位安全敏感参数并稀疏改动权重以削弱安全对齐
- arXiv
- 2610.09000
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- LLaMA-2-7B-Chat
- 可解释性arXiv 2610.08559
研究：LLM 潜在空间去偏方向主要编码置信度而非公平性
分析 LLM 去偏激活方向，发现其编码置信度而非公平性
- arXiv
- 2610.08559
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama-3.1-8B、Llama-3.1-8B-Instruct、Falcon3-7B-Base 等 8 个
摘要论文揭示激活引导去偏见方向主要编码模型置信度而非公平性，偏见评分下降实为诱发弃答或使概率均分的假象。
- 可解释性arXiv 2610.08552
AnyBottle：只保留真正需要的概念，构建紧凑任务专属概念瓶颈模型
提出 ANYBOTTLE，按教师残差从无监督概念池筛选紧凑概念瓶颈
- arXiv
- 2610.08552
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- CLIP-DINOiser、Gemma-2-2B、Gemma-3-1B-it
摘要ANYBOTTLE 用教师残差选出紧凑概念集，并以 nested dropout 按样本调节概念预算。
ANYBOTTLE 是一套用冻结骨干和无监督概念池构建任务专用概念瓶颈的配方，目标是去掉概念标注后仍保持小词表。
- 可解释性arXiv 2610.07791
研究：LLM 比人类更易产生错觉模式感知并导致虚假推理
比较 LLM 与人类的错觉模式知觉，并用 SAE 分析内部表示
- arXiv
- 2610.07791
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GPT-3.5、GPT-4o、GPT-5 等 9 个
摘要作者称多数 LLM 的错觉模式知觉强于人类，并把行为联系到频率印象与分析特征。
作者研究 LLM 是否会在证据不支持时构造关系，并将这一失败称为错觉模式知觉，用来区别偏差、幻觉和鲁棒性。
- 可解释性arXiv 2610.07583
GraphCast 大气河机制的机制可解释性研究
用 SAE 识别天气模型内部的大气河概念并检验预报依赖
- arXiv
- 2610.07583
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GraphCast
摘要GraphCast 未被给予 IVT，作者称它仍把大气河强度算成可干预的内部变量。
作者用稀疏自编码器读 GraphCast 如何在内部表示大气河，而不是只做输入归因。
- 可解释性arXiv 2610.07518
TRACE：仅凭 checkpoint 更新审计大语言模型有害目标
提出 TRACE，仅凭检查点更新审计有害合规微调目标
- arXiv
- 2610.07518
- 发表
- 场景
- 模型与 API
- 被测模型
- Llama-3.1-8B-Instruct、Mistral-7B-Instruct-v0.3、Qwen3-8B 等 6 个
摘要作者称有害合规 SFT 在检查点更新中留下可排序坐标，并据此做只读权重审计。
作者在检查点更新里寻找有害合规 SFT 的目标组成，并把读数做成不查询模型、不看未知训练数据的审计分 TRACE。
- 可解释性arXiv 2610.07389
BeFOND 将稀疏自编码器的推断与学习统一为自然梯度流
提出 BeFOND，将稀疏自编码器的推断与学习统一为自然梯度流
- arXiv
- 2610.07389
- 发表
- 层
- 模型层
- 场景
- 模型与 API
摘要BeFOND 把推断与学习写成自然梯度流，并在合成词典恢复和 Gemma 特征指标上报告更高分数。
BeFOND是无编码器的迭代稀疏编码模型，把推断和词典学习写成同一变分自由能上的自然梯度流，用来恢复重叠或很少激活的特征。问题在于摊销编码器的一次前向难以处理 superposition，而在已学词典上只改推断也填不上恢复差距。推断误差会进入词典更新。
- 可解释性arXiv 2610.05541
研究者提出 CAP 指标与 CSFD 算法，发现越狱通过压制安全特征绕过拒答
提出 CAP 指标与 CSFD 算法，发现被抑制的安全特征
- arXiv
- 2610.05541
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Gemma-2-2B、Qwen3-8B、Gemma-3-4B-IT 等 5 个
- 风险拒答失当
摘要论文指出越狱通过抑制安全特征运作，提出 CAP 与 CSFD 补充了针对激活特征的解释性方法。
- 可解释性arXiv 2610.04925
TSAE：用于解释时间序列预测模型的结构化稀疏自编码器
提出 TSAE，用结构化稀疏自编码器解释时间序列预测模型隐特征
- arXiv
- 2610.04925
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- PatchTST、iTransformer、DLinear 等 4 个
摘要TSAE 用结构化 SAE 分解冻结预测隐状态。
TSAE 是插在冻结时间序列预测骨干上的结构化稀疏自编码器，用来把隐 token 分成可检查特征，并配有分轴协议 TSEVAL。
- 可解释性arXiv 2610.04907
为什么潜意识学习需要海量数据：从引导向量恢复看含噪逆问题
用转向向量恢复把阈下学习解释为含噪逆问题
- arXiv
- 2610.04907
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-7B-Instruct、Gemma-2-9B-IT
摘要作者用含噪 Fisher 求逆解释：软监督数百条可恢复转向向量，硬标签要大量独立载体。
这篇工作用可控的转向向量回收，解释阈下学习为什么通常要很多语义无关的载体。
- 可解释性arXiv 2610.04905
ScopeSAE 按预测相关性选择建模子空间，实现重建优于原始激活
提出 ScopeSAE，按预测相关度选层训练 SAE 以发现特征
- arXiv
- 2610.04905
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama-3.2-1B-Instruct、Qwen2.5-0.5B-Instruct、Qwen2.5-7B-Instruct 等 4 个
摘要ScopeSAE 按预测相关子空间训练 SAE，写回后的下一 token 交叉熵可以更低。
ScopeSAE 是一种为 SAE 选择建模子空间的可解释性方法，对象是 LLM 残差流上的下一 token 预测。
- 可解释性arXiv 2610.04676
用迭代零空间投影提取人格子空间以调控 LLM 行为
提出 PaSS，在推理时提取并缩放已嵌入的人格子空间
- arXiv
- 2610.04676
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama3-8B-Instruct、Qwen2.5-7B-Instruct
摘要PaSS 用 INLP 调制已嵌入人格。
PaSS 是推理时的人格调制方法：人格已经写在输入里时，把它当成潜空间中的多维子空间来缩放，而不是再注入一个固定方向。
- 可解释性arXiv 2610.04605
ConEx：通过概念感知归因生成人类可解释的显著性图
提出 ConEx，自动发现类别概念并生成可定位解释图
- arXiv
- 2610.04605
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- ResNet50、DenseNet121、ConvNeXt-Base 等 5 个
摘要ConEx 融合自动概念、CAV 与 LRP。
ConEx 是不重训练分类器的 post-hoc 框架，把自动概念变成带位置的视觉解释。
- 可解释性arXiv 2610.06945
超越线性表征假设：KANSteer 用非线性激活引导文本到图像模型
提出 KANSteer，用非线性激活引导拟合文生图有序概念轨迹
- arXiv
- 2610.06945
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- FLUX.1-schnell、FLUX.1-dev
- 组件图像生成
摘要KANSteer 用曲线替代固定方向。
KANSteer 研究文生图扩散模型里，有序视觉概念能否沿单一激活方向被遍历，并改用一维曲线做 steering。
- 可解释性arXiv 2610.04245
研究揭示语言模型拒答行为的转向维度差异
测量安全拒绝与一般语境拒绝的转向维数
- arXiv
- 2610.04245
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama-3.1-8B-Instruct、Qwen2.5-3B-Instruct
- 风险拒答失当
- 可解释性arXiv 2610.04125
研究揭示 LLM 风险偏好中自我报告与行为由近乎正交的表征方向控制
揭示风险自述与实际行为由近正交表征分别控制
- arXiv
- 2610.04125
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、OLMo-3-7B-Instruct 等 4 个
- 风险欺骗与谋划
摘要论文证明大模型自述与行为脱节根植于表征近正交性，自述无法作为行为审计依据。
这篇论文从内部表征与因果干预视角，系统研究了大语言模型在风险承担（Risk-Taking）场景下自我报告与实际决策脱节的根本机制。