追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel
作者把对齐模型的越狱和过度拒绝，改写成残差流上从识别到写入的通路问题，并据此做解码前的条件提醒。
用 NVC 定位并消融语言模型的叙事相关组件
作者把叙事学的三维定义接上机制干预，检查预训练语言模型里与叙事性相关的组件是否参与预测、生成和下游任务。
用三层嵌套分解检验混合选择性网络能否在子空间上功能分离
作者提出一套嵌套的模块性定义，用来把“神经元不专一”和“计算不可分”分开。
比较价值表征对单价值微调后对齐泛化的预测力
作者把“单价值微调会如何改变未训练价值上的依从”定义成可在训练前预测的任务，并用价值表征来做这件事。
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
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。
提出 RouterInterp，用 SAE 解释 MoE 路由的叠加特化
提出 CircuitTree，把音素电路合并为音节转写器
提出路由 TopK SAE，把语音编码器稀疏码拆成语言与副语言通路
TopK SAE 的稀疏码被分成语言通路与副语言通路，用来分开冻结语音编码器里同时存在的音素信息和说话人、情感、韵律。只重构不能得到作者选定的这一分解。语言通路由音素识别监督，副语言通路由说话人识别、情感分类和韵律预测监督，作用在对方通路上的梯度反转对抗用来压低交叉因子。
用 SafeEvo 提取拒绝电路，并提出 SCA 仅微调该电路
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。
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
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。
提出 U-SPACE 与 U-LENS，从残差流估计推理轨迹不确定性
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。
定位安全敏感参数并稀疏改动权重以削弱安全对齐
分析 LLM 去偏激活方向，发现其编码置信度而非公平性
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。
提出 ANYBOTTLE，按教师残差从无监督概念池筛选紧凑概念瓶颈
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。
用均值差激活转向检验全双工语音模型的情感方向几何
Moshi 上的情感激活转向跟方向之间的几何关系走，不跟被请求的标签走。
比较 LLM 与人类的错觉模式知觉，并用 SAE 分析内部表示
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。
用 SAE 识别天气模型内部的大气河概念并检验预报依赖
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。
提出 TRACE，仅凭检查点更新审计有害合规微调目标
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。
提出 BeFOND，将稀疏自编码器的推断与学习统一为自然梯度流
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。
提出 CAP 指标与 CSFD 算法，发现被抑制的安全特征
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。