完整深入材料 · 保留原页与全部停点。回到相关主讲
一个解释，要同时接住输入、读出与反方向
本页问题
把正响应候选解释带到相反一侧，再沿真实节点检查连接。
GF04/b0 · 看同一单元的相反侧
上排仍是正侧的尖形局部，下排现在换成原文的负侧：圆脸、蜗牛壳、球和钟。不是“所有狗都正、所有车都正”这样的物体名单；甚至狗也可以出现在相反一侧。尖与圆的对照让形状解释接受了新的约束。这里说负侧，是原文记录的该单元相关信号方向，不是在说 ReLU 的输出变成了负数。
教师备课：指图与模拟问答
指图与推进 · 不朗读先读正负侧标签，再逐张比局部。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
GF04/b1 · 沿上游找到它怎样形成
现在看左边三个上游节点。图标是优化可视化，旁边的小图是自然输入例，两者用途不同。尖嘴、尖耳脸与车头等路线汇入同一个 4e:55。线真正落在这些节点上，粗细沿用原图的相对强度。这个连接结构与刚才的共享尖形解释能对上，不能再简单把猫和车说成毫无关系。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿左侧三个真实节点到4e:55；区分自然图和优化图。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
GF04/b2 · 再看下游怎样使用
沿右侧继续看，使用它的不是一个泛泛的“猫或车”标签。我们看见火焰、尖脸、长嘴与 V 形杯的相关节点。一个候选解释现在同时要解释自然正例、相反响应和两端连接。作者认为这些证据支持同一个尖形区分。我们可以保留这个判断，也保留它的范围：这是特定单元与选定连接的研究案例，不是所有概念都一一对应神经元。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿中心到右侧真实读出节点；口头回顾 b0 已看过的正负对照，再把两端连接与同一个尖形区分联系起来。
本态来源与条件
Goodfire · Cammarata 2026 · #v-figure
接下来
但有些优化图会误导观察。另一个汽车电路就是例子。
补充推导、边界与来源
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。
本页证据与条件
Goodfire · Cammarata 2026 · #v-figure