用消融与转向干预审计稀疏自编码器特征的因果有效性
摘要论文揭示 SAE 特征存在几何匹配与因果有效性脱节现象，提出读写解离机制与实践准则。
提出 FEGA 框架，分析 SAE 特征消融后的 logit 效应几何
Feature-Effect Geometry Analysis（FEGA） 把 SAE 特征的下游干预效应当成 logit 空间中的云来分类，用来区分可复用方向、低维结构和弥散效应。
提出多 SAE 对齐方法，从音乐模型表征中发现和弦与调性轨道
作者提出一套面向音乐基础模型的结构可解释性框架：不把 SAE 特征当作孤立概念，而用半音移调把它们连成有序轨道。
比较等规模电路的忠实度与行为准则，揭示目标层恢复缺口
作者研究电路发现的评测目标：干预定义的 faithfulness 可能偏好一个规模相同、但在固定行为测试上更差地复现完整模型的电路，即 objective-level recovery gap。
提出 DiDAE，对冻结视觉基础模型做无梯度解耦反事实解释
DiDAE 用冻结视觉基础模型和一个解耦字典，生成按分量编辑的视觉反事实，再拿去修正依赖伪相关的分类器，或给字典原子按“是否真能翻转该分类器”排序。
提出 SRM 多流递归架构，以可学习流间注意力支持机制分析
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。
在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大
作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。
用权重余弦给 GLU 神经元做读写功能分类并检验消融影响
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。
分析循环 Transformer 长度泛化的内部计算机制与失效边界
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。
提出 Capsule Lens，用胶囊近似并追踪表示空间的概念几何
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。
用 SAE 追踪稠密检索查询扩展的潜变量并用激活转向验证
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。
提出 PhysSAE，用稀疏自编码器分析 PINN 隐藏层的物理概念
PhysSAE 用过完备 SAE 事后读取冻结 PINN 的倒数第二层，并用绕过解码器的隐藏态消融检验物理概念是否具有因果足迹。
将 Mamba 关联回忆解释为隐式线性哈希并推导 Recall Scaling Laws
作者从机制可解释性出发，反推 Mamba 解关联回忆的内部算法，并据此写出 Recall Scaling Laws。
用 SAE 定位后门触发机制并分离检测与因果控制
作者用稀疏自编码器分解 Gaperon 中无害的语言切换后门，区分识别触发的特征与真正能抑制或诱发该行为的特征。固定触发使英语提示在 Gaperon-1B 与 8B 上续写成法语或德语。
用 SAE 内部概念检测并校正癌症分割失败
作者研究癌症分割模型是否在内部表征里编码类似人类 FOE 的失败信号，并把它用于检测、解释和校正。
用逐步 SAE 诊断文生图概念脆性，并推理时向类原型插值
作者用逐步稀疏自编码器审计文生图扩散模型里随物体变化的概念脆性，并用推理时原型插值检验该诊断。。
将目标语言生成写成激活最优控制并比较转向方法
作者要解决多语言模型生成时漂离目标语言的问题，并认为只看语言识别不够。他们定义语言贴合、n-gram 语言形式连贯和相对两个结尾的语义连贯，三者同时成立才计 adhered coherence。方法上，层间激活被写成离散动力系统。
提出 ResLRP，抑制视觉 Transformer 残差抵消引起的归因不稳定
Berend 等人针对 ViT 上 LRP 热图嘈杂、不忠实的问题，把原因放在残差加法而不是注意力规则：前向抵消留下很小的 zout，标准 LRP 用它作分母，放大成不稳定的正负相关性。
提出 VisER，用内部视觉证据检测 LVLM 物体幻觉
VisER 是面向 LVLM 开放式图像描述的免训练物体级幻觉检测分数，用来处理内部支持的来源混淆。
检验权重谱度量能否代理成员推断泄漏
作者在 MLP 上检查 WeightWatcher 谱统计是否与 online LiRA 同向，以便不看数据、不训练 shadow 模型就做模型级成员风险筛查。放出前的审计要知道训练成员会不会被认出来。LiRA 依赖大量 shadow 模型，候选一多就难以逐个跑。