研究者提出模型生物体多目标验证框架并给出训练建议
提出模型生物多目标验证与合并训练方法以减少能力损伤
本论文提出了一种针对 AI 安全评测用模型生物（Model Organisms）的多目标训练与验证体系。
分析与理论arXiv:2610.10203 · 完整解读分析与理论arXiv:2609.37312 · 研究：隐蔽推理必然留下信息痕迹，但思维链未必可读
分析隐蔽推理在思维链中的信息足迹与不可读性
完整解读分析与理论arXiv:2610.01641 · MCIR：面向特征依赖的可解释性方法与可靠性保证
提出 MCIR-M，度量特征相对依赖邻域的独特预测信息
完整解读分析/可解释性arXiv:2609.23892 · Circuit-Diff：用事实编辑干预定位归因图中的知识
先读论文被截断的后半部分，再按 schema 写解读。
完整解读占位。
分析与理论arXiv:2609.25366 · 研究：思维链对答案的约束随模型相对任务难度而变化
用续写扰动衡量思维链对答案的因果约束如何随任务难度变化
完整解读分析/可解释性arXiv:2609.25518 · Matryoshka Attribution：把语言模型输出归因到表示与权重
作者提出 Matryoshka Attribution（MAttr），把归因问题定义为寻找能最小化下游损失的嵌套内部组件子集，并用可微的 sigmoid top-k 算子参数化掩码。
完整解读Matryoshka Attribution（MAttr）把“哪些内部计算或权重差导致了输出”写成可以用梯度下降学习的嵌套子集问题。
分析/可解释性arXiv:2609.28809 · Stream Recursion Model（SRM）：面向可扩展机制可解释性的新架构
Stream Recursion Model（SRM）是对 Hierarchical Reasoning Model（HRM）的改进，将计算组织为多个相互作用的潜在流并通过递归精炼更新，以便直接分析流动态、因果贡献与路由行为。
完整解读Stream Recursion Model（SRM） 修改 HRM 的多流结构，使流数增加时语言建模仍能扩展，并让路由和流分工可以直接看。
分析/可解释性arXiv:2609.29362 · SAE 潜空间中词性作为涌现类别：LLM 形态句法信息呈分布式编码
作者用 LLaMA-3-8B 的 SAE 检验词性是否由单个 latent 编码，发现可从稀疏激活恢复，但由随类别变化的紧凑 latent 组承载。
完整解读Bondielli、Passaro、Auriemma 和 Lenci 用词性检验 SAE latent 如何组织形态句法信息。。
分析/可解释性arXiv:2609.18612 · 研究揭示 Transformer 中影响超常的削弱型神经元
作者用权重余弦把 GLU 神经元分成读写功能类，发现晚期 weakening 神经元虽少但激活频繁、消融影响大，负门控值也影响输出。
完整解读这篇分析工作用输入权重与输出权重的余弦，给 GLU 神经元的读写功能分类，并检查这些类的层分布、激活频率和对下一 token 分布的影响。
分析/可解释性arXiv:2609.33144 · 循环 Transformer 长度泛化的机制与边界：MR-Loop 与 DR-Loop 的机制对比研究
论文比较 MR-Loop 与 DR-Loop 在训练视野外复用循环计算的机制：二者算法不同，但都依赖可迁移的计算状态。超长时状态退化且自我纠正有限，长度泛化也不等于忠实逐步推理。
完整解读这篇工作用机制分析比较两种循环 Transformer 配置如何在训练长度之外复用计算。问题来自：循环深度可以随测试加长，但行为准确率看不出复用的是哪套算法、中间状态必须保留什么，以及外推成功是否等于按真实轨迹逐步执行。模型只在最终答案上接受监督。
分析/可解释性arXiv:2609.00755 · S^3martCirc：自监督智能电路发现框架
S³martCirc 联合发现电路并分两类角色。
完整解读S³martCirc 把电路成员和节点功能放进同一次优化。。要处理的情况是：先选注意力头或前馈神经元，再人工指定 name mover 一类任务专用角色。
分析/可解释性arXiv:2609.01322 · 在文本因果混杂调整中探索稀疏自编码器（SAE）
Zhong 等人用 SAE 特征子集调整文本混杂，在 20NG 二值/多类半合成上偏差低于 TIRM 与嵌入，EURLEX 多标签结果则好坏参半。
完整解读Zhong、Keith 与 Field 提出用稀疏自编码器特征的最小子集，对观测文本中的混杂做因果调整，并在半合成数据上比较 CEM 与 DoubleML。。
分析/可解释性arXiv:2609.01832 · Gemma-3-27B-PT 内部激活中的可解释抑郁症状向量
完整解读分析/可解释性arXiv:2609.03148 · LLM 如何处理上下文知识冲突：ContextConflict 数据集与机制可解释性分析
论文研究 LLM 如何处理上下文知识内部的冲突，而非模型参数知识与外部上下文之间的冲突，提出包含事实、推断、时间、粒度、视角和歧义六类的分类体系，并构建数据集 ContextConflict。
完整解读CONTEXT CONFLICT 把问题从“参数知识对外部语境”转到“语境内部多来源证据互相冲突”，并同时给出数据、机制分析和一种无训练转向。
分析/可解释性arXiv:2609.05575 · Capsule Lens：定位并追踪模型表示中的概念几何
Capsule Lens 用闭式拟合的胶囊近似概念在表示空间中的区域，并在静态表示与三种训练动态中跟踪其几何变化。
完整解读Capsule Lens 用一个可闭式拟合、可跨 checkpoint 比较的胶囊，定位概念在表示空间中的区域并跟踪训练引起的漂移。
分析/可解释性arXiv:2609.06020 · 动物重识别模型学到了什么？DINOv3 中线性生物概念及其来源
Nolting 等发现，仅用 triplet-margin 做大猩猩 Re-ID 的 DINOv3 仍把 sex、age 编码为可泛化的线性方向，sex 方向可因果改变检索。
完整解读这篇工作检查只做个体匹配的动物 Re-ID 表示里，有没有可审计的生物学结构。。
分析/可解释性arXiv:2609.06289 · LLM 激活引导空间能否反映人类价值几何？EMNLP 2026 研究发布 26K 样本基准
作者检验 LLM steering 向量的几何是否符合人类价值结构，发现 distribution-driven 方法比 behavior-centric 更贴近 Schwartz circumplex。
完整解读作者研究推理时 activation steering 的向量，是否在几何上符合人类价值理论，而不只是改变单一目标行为。
分析/可解释性arXiv:2609.06951 · 研究：激活引导的干扰反映模型默认倾向而非行为方向
论文发现激活引导（activation steering）的干扰由模型自身决定，而非被引导的行为方向。
完整解读Activation steering 的跨行为干扰由模型的默认集合决定，而不是由行为方向的几何重叠决定。。
分析/可解释性arXiv:2609.06968 · 通过稀疏自编码器特征追踪查询扩展效果
作者用 SAE 追踪稠密检索中查询扩展引起的稀疏潜变量变化，并在四个基准上用激活转向做干预验证。
完整解读作者用稀疏自编码器分析稠密检索里的查询扩展：现成检索器不微调时，拼接扩展文本往往增益有限甚至变差，而最终指标和嵌入整体偏移不足以说明内部发生了什么。
分析/可解释性arXiv:2609.07037 · Steering Vector Dissection：将激活引导向量拆解为独立语义特征
作者提出 Steering Vector Dissection，用 SAE 拆解 DiffMean 转向向量。在两个模型上，基向量语义更一致，去掉拒绝方向后 StrongREJECT 分数上升。
完整解读Steering Vector Dissection把激活差构成的复合转向向量拆成语义上更一致、效果可区分的基向量，并用来从不安全 DiffMean 里去掉拒绝方向。