完整深入材料 · 保留原页与全部停点。回到相关主讲
混合不是只看终点：沿训练看它怎样长出来
本页问题
采用原文两个重新训练网络中的具体单元，按真实 checkpoint 读自然响应例；最后才给概念示意。
GF09/b0 · 早期：先看到共同起点
现在显示的 epoch 真正记录的是训练进度，而不是刚才的工具年份。先停在零点七个epoch：上面是重新训练的InceptionV1末层338号单元，下面是ConvNeXt末层399号单元。两者都从油菜花田一类自然图开始。上面的花田里还有一只狗。我们暂时只记住这个局部关联，不用终点标签倒推开始时它必须在学什么。
教师备课：指图与模拟问答
指图与推进 · 不朗读读epoch0.7与两个具体单元；指花田中的狗。
本态来源与条件
Goodfire · Cammarata 2026 · #neuron-overflow, #recursive-generalization, #conjoined-features
GF09/b1 · 中途：相邻侧面出现分枝
推进到一点五个epoch。原图的强响应例里，开始出现球、绿色果实和草地中的狗。它们与前面的颜色、环境、局部形状存在可追踪的相邻关系。这是作者提出递归泛化的依据：不是先列一批互不相干的概念再塞进单元，而是已有响应沿某些侧面扩展。现在还不能只凭几张图把所有因果都定下来。
教师备课：指图与模拟问答
指图与推进 · 不朗读逐列比较田野、球、果实、狗；说明是原图选取的强响应例。
本态来源与条件
Goodfire · Cammarata 2026 · #neuron-overflow, #recursive-generalization, #conjoined-features
GF09/b2 · 后期：两个网络走向不同
到十二个epoch，InceptionV1的例子明显扩散到球、狗与西兰花，原来田野所占的部分变少；ConvNeXt则更多回到田野主线，只保留与花田相连的少数狗例。两条轨迹不能证明所有网络都一样，但确实说明只看终点的杂乱名单会丢掉发展关系。完整图里的三和六epoch也保留在本页说明，可以继续逐列检查。
教师备课：指图与模拟问答
指图与推进 · 不朗读对照两行终点，指出主屏仅为原图样本，份额见完整灰带图。
本态来源与条件
Goodfire · Cammarata 2026 · #neuron-overflow, #recursive-generalization, #conjoined-features
GF09/b3 · 语言中的分枝先作为概念图
最后换到一张明确的概念示意。一个响应iy片段的单元，可以与diy相连，再沿diy的含义关联到do it yourself；最后这个短语已经不含iy。局部每一步都可能可理解，终点却不再共享同一串字母。这个示意帮助我们理解作者所说的分枝，不是本课展示了语言模型的训练录像。后面会回到具体文本和电路去检查这种关系。
教师备课：指图与模拟问答
指图与推进 · 不朗读先读“概念示意”，再沿两条分枝；不使用epoch标签。
本态来源与条件
Goodfire · Cammarata 2026 · #neuron-overflow, #recursive-generalization, #conjoined-features
接下来
分枝与任意打包提出不同问题，下一页把争论的对象说清。
补充推导、边界与来源
原图对象为从头训练的 InceptionV1末层单元338、使用相同数据和训练配方并含LayerNorm与残差的ConvNeXt末层单元399。原图包含epoch0.7、1.5、3、6、12；本页课堂先读0.7、1.5、12三个固定状态，完整中间轨迹与图例见下方本地原图。每行图组背后的灰带表示该组占神经元最强响应例的份额；主屏只选真实照片定位观察，不重画没有复算的比例曲线。
InceptionV1最初主要响应油菜花田与山谷，花田里也有狗；随后到球、果实、狗，后来延伸到西兰花。ConvNeXt也短暂触及球和水果，但随后保留田野主线，分枝较少。这是两个实际记录的案例，不是所有单元必然遵循的定律。
最后一态的iy→diy→do it yourself是原文概念插图的中文重排；这里不声称拥有语言模型的训练checkpoint。文章 Watching Neurons Develop 描述沿重训InceptionV1追踪坐标，作者也记录曾因缩放不当误以为出现任意混合。附录 Relation to Conjoined Features 承认2021年Multimodal Neurons已有从共享侧面向多方向泛化的线索；新命名突出多层分枝与发展过程。本文尚未完成整模型的严格发展审计。
来源：Nick Cammarata（2026），Goodfire，Neural Networks Are Already Clean。 原图／段落 neuron-overflow。 原图／段落 recursive-generalization。 原图／段落 conjoined-features。 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。
与本页相关的深入阅读
A16｜训练轨迹怎样帮助检验分枝
重训 InceptionV1 suffix 的图让同一坐标按 checkpoint 并排显示，优化图下方配最强响应处的自然裁剪。它能区分一个成品单元里的邻近反应是怎样逐步出现的；但观察尺度错误仍可能把轨迹看成任意混合。作者临近发布时再次误调显微镜的经历，是提醒我们保留自然例、位置与工具设置，而不是为了一个发展故事挑几张顺眼的图。
原文 Watching Neurons Develop · 完整训练显微镜 · GF09
A24｜递归泛化与 conjoined features 的关系
Multimodal Neurons 已描述从共同侧面向多个方向泛化的 conjoined features。本文承认这一先行观察，并选择“递归泛化”强调分枝还能再分枝、过程发生于生长而不是两个静态概念被接起来。早期只有成品，曾猜是训练早期的残留；后来的视觉轨迹显示分枝还会继续生长。名称变化本身不是新证据，应把发展记录和概念解释分别保留。
原文 Relation to Conjoined Features · GF09
A26｜怎样让“递归泛化”自身也可以失败
一个有约束的递归泛化解释应预测语义空间中的局部来路、分枝方向及训练次序，而不是见到任何两个响应都补一个共同祖先。本文承认没有严谨证明所有重度多义例都如此，也没有大语言模型所需的完整 checkpoint。成品上的路径一致性可以增加信心，但要确证发展因果仍需要时序数据。保留这一限制，才能避免把“任意打包的空隙解释”换成另一个无所不包的故事。
本页证据与条件
Goodfire · Cammarata 2026 · #neuron-overflow, #recursive-generalization, #conjoined-features