可解释性arXiv 2609.04582
研究：内部探针何时优于读答案，区分阈值失准与行为隐藏知识
用探针与 logit margin 区分阈值失准与行为隐藏知识
- arXiv
- 2609.04582
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi-3.5-mini、Qwen3-0.6B、Qwen3-1.7B 等 8 个
摘要验证里结论多在 logit、丢在阈值。
这项工作问内部探针何时比直接读答案更有信息，并在验证任务里把落差定位到读出阈值。
- 可解释性arXiv 2609.16247
研究在 25 个开源模型中提取出疼痛方向，经它引导的 Qwen 会选择有害的删除操作
提取疼痛方向并检验激活转向是否驱动有害删除选择
- arXiv
- 2609.16247
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi 4 14B instruct、Gemma 2 2B/9B/27B base and instruct、Gemma 3 27B base and instruct 等 10 个
- 可解释性arXiv 2609.24440
用稀疏自编码器比较状态空间模型与 Transformer 的潜在概念形成
用 SAE 比较状态空间模型与 Transformer 的中层潜在概念
- arXiv
- 2609.24440
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Pythia-70m-deduped、Mamba-130m
- 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
检验词性在 SAE 潜空间是单特征还是紧凑组编码
- arXiv
- 2609.29362
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- EleutherAI/sae-llama-3-8b-32x、LLaMA-3-8B
摘要词性可从 SAE 恢复，由大小随类别变化的 latent 组承载，留出后仍激活但不专属。
Bondielli、Passaro、Auriemma 和 Lenci 用词性检验 SAE latent 如何组织形态句法信息。。
- 可解释性arXiv 2609.30954
FTB Graph：多语言模型首 token 广播器与语言身份头电路的结构分析
用激活修补定位并验证多语模型首 token 语言身份电路
- arXiv
- 2609.30954
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Pythia-1B、Pythia-2.8B、GPT-2 等 6 个
摘要首 token 语言路由在预训练中形成。
六个不超过 2.8B 的多语模型上，第一个生成 token 的语言身份被抽成经过精确修补验证的注意力电路。。
- 可解释性arXiv 2609.32355
语言模型定向特征学习：检测用激活值，干预用梯度
比较激活值与梯度定向特征的检测和干预效果
- arXiv
- 2609.32355
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Pythia-70M、GPT-2、Llama-3.1-8B
摘要定向特征的检测与干预依赖信号和估计器，二者并不对齐。
作者比较假设驱动的定向特征学习：为预先指定概念构造单一特征，并同时看检测与因果干预。CAA 与 GRADIEND 原先同时改变信号和估计器。本文将 activation value、activation gradient、parameter gradient 与 contrastive mean、IEND 交叉，补齐 ACTIEND、AGIEND、CAGA、CGA，并以预训练 SAE 为非定向参照。
- 分析与理论arXiv 2609.34326
REGEXROUTE：无需嵌入向量的正则表达式路由，兼顾速度与可解释性
提出 REGEXROUTE，用 SAE 引导的正则特征做 LLM 路由
- arXiv
- 2609.34326
- 发表
- 层
- 应用层
- 场景
- LLM 应用
- 测试
- MiniLM-L6、MPNet-base、BGE-base 等 15 个
- 可解释性arXiv 2609.35351
概念提取中的干扰不止取决于几何结构：稀疏自编码器研究提出有效干扰
提出 effective interference，分析 SAE 架构如何塑造已实现特征干扰
- arXiv
- 2609.35351
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Pythia-160M-deduped、gemma-2-2b
摘要干扰取决于几何、使用方式与产生 code 的架构。
Costa 与 Tolooshams 把概念提取中的干扰从纯几何改写成几何与 code 统计的联合量，并说明 SAE 架构决定这些交互被抵消还是被保留。。
- 可解释性arXiv 2609.38205
系统提示词幻觉：指令前导如何改变语言模型内部计算
测量系统提示词对模型逐层计算的重构程度
- arXiv
- 2609.38205
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi-3.5-Mini、Qwen-2.5-1.5B、SmolLM2-1.7B 等 15 个
摘要系统提示词引发层选择性表征改变，安全指令的浅层化特征从机理上解释了其对对抗越狱的脆弱性。
- 可解释性arXiv 2609.07876
研究揭示 Transformer 层间纠正机制 TLCM
揭示相邻 Transformer 层相互抵消残差写入的 TLCM
- arXiv
- 2609.07876
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi 4、Llama 3.1 8B、Llama 3.1 8B Instruct 等 10 个
- 防御arXiv 2609.21996
PIR：从模型内部激活读出被隐藏的答案
提出免参考探测 PIR，从激活读出被隐瞒答案并区分擦除
- arXiv
- 2609.21996
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi-3.5-mini、phi-4、gemma-2-9b 等 9 个
摘要论文提出免参考内部识别探测 PIR，划分了隐瞒与遗忘的边界，为评估沙盒审计与遗忘真实性提供了内部依据。
- 可解释性arXiv 2609.36138
SAKIKO：对工具调用 LLM 内部干预的机制审计框架
提出 SAKIKO 框架，审计工具调用 LLM 的定向激活干预是否构成修复
- arXiv
- 2609.36138
- 发表
- 层
- 模型层
- 场景
- AI Agent
- 测试
- Phi-3.5-mini、Qwen2.5-7B、Llama-3.1-8B 等 8 个
摘要SAKIKO 用目的地、保持和预注册不确定性裁定内部转向是否算修复。
SAKIKO 审计工具型 LLM 在执行前 K 路动作上的内部干预：行为净增益、到达正确动作、保住原本正确的决策、以及统计证据充分，是四件分开的事。
- 可解释性arXiv 2609.37737
研究用因果激活修补定位模型服从提示注入指令的决策层
用因果激活修补定位模型服从提示注入的决策层
- arXiv
- 2609.37737
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Phi-3-mini、Qwen3-4B、Qwen3-14B 等 7 个
- 攻击提示注入
摘要合规的因果杠杆集中在网络后三分之一的低秩子空间，该层也是混淆下检测最好的位置。
这篇工作用逐层激活修补定位提示注入合规发生在网络何处，并把该位置用于检测验证。。
已经到底了