本页学习说明
原文同时展示 4e:55 的正、负侧。正侧的尖形与负侧的圆形是相对同一单元、原文所测响应量的两端，不是在宣称 ReLU 后输出为负。本课遵从原文“pushes it negative”的说法；理解时必须区分非线性前信号与经过整流后的输出。
上游节点为 4d:493（尖嘴）、4d:477（尖耳脸）、4d:201（车辆前部）；下游为 5a:94（火焰、消防船水柱与狐脸）、5a:352（尖脸）、5a:317（长嘴与 V 形杯）。本课保留这些节点与方向，线宽在每一侧按原图元数据相对缩放。输入侧 data-w 为 0.321/0.031/0.029；读出侧为 38.3/34.1/22.1，原图提示分别是 drive 比例与去掉 4e:55 后下降量，口径不同，不跨两侧比较粗细，也不当作完整网络全部边。
优化图负责提出候选，自然例说明其实际响应，上下游关系检查这个区分如何被构建与使用。几类证据相互制约，是支持作者解释的理由；不是仅凭箭头存在就宣称全网机制已经证明。P05 的五步材料继续保留，GF02—04把其中困惑、局部、连接、负极与回收展开为主讲。
来源：Nick Cammarata（2026），Goodfire，Neural Networks Are Already Clean。 原图／段落 v-figure。 图与原始照片保留原作者权利；本课按原图选择固定状态、重排并加中文标注，未重跑原文模型实验。
阅读完整讲义