完整深入材料 · 保留原页与全部停点。回到相关主讲
全图类别不同，局部结构可能相通
本页问题
同一单元、同一照片。变化的是观察尺度，模型与输入没有改变。
GF03/b0 · 在整图中定位
还是刚才那只猫和那辆车。现在出现的圆框，标出原图让我们看的响应局部。它不是“整张图里有猫或有车”的标签，也不是把整张图片每个像素的激活都测了一遍。先看圆框落在哪里：猫脸的中部和车头的相应结构。下一步只把这两个区域放大。
教师备课：指图与模拟问答
指图与推进 · 不朗读先看整图，再指圆框；不要称其为热图。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
GF03/b1 · 放大同一局部
这一次没有换照片，也没有换模型。我们把原图指定的局部放大，猫脸与车头中都有向下收尖的结构。作者由此提出一个不同解释：它可能在区分尖形与圆形，而不是把“猫”和“汽车”任意塞在一起。注意现在我们得到的是一个可检验的候选解释；看起来相似，还不足以宣布机制已经证明。
教师备课：指图与模拟问答
指图与推进 · 不朗读对比两个放大局部，最后显示“候选：尖形／V 形”。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
GF03/b2 · 换类别，保留结构
如果解释只是在猫和车之间硬凑出来的，换到别的类别就很容易失败。现在看作者给出的台球桌和新干线局部。物体名称又变了，尖形结构仍能给出相连的读法。这比两个名词的并列更有解释力，但我们还需要看相反一侧：什么会把同一个单元推向负方向？
教师备课：指图与模拟问答
指图与推进 · 不朗读先看整图来源小图，再读四个局部；说明新例身份。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
接下来
形状解释还要经受相反响应和连接证据。
补充推导、边界与来源
本页全图中的圆框、下一态的局部放大均按照原图交互给定的位置和三倍放大参数。圆框是原图的响应区域定位，不是本课算出的热图；颜色也不是激活值色标。原图未在此提供逐像素热图，不凭空绘制一幅。
猫与汽车局部都支持“尖形／V 形”的候选读法，但只有两张图还不够。作者给出的台球桌与新干线例子跨越了动物／车辆的常用类别，扩大了候选解释要覆盖的范围。泛化可能沿几何结构发生，而不是按人的名词表发生。新的自然例仍是作者选取的检验例，本课没有独立进行盲测。
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。
本页证据与条件
Goodfire · Cammarata 2026 · #v-figure