完整深入材料 · 保留原页与全部停点。回到相关主讲
规模变了，区分的粒度也变了吗？
本页问题
刚才看的是大模型里的一条路线。现在改看最后一层的两极，再和本文最小模型比较；注意这是不同训练模型的比较，不是同一个模型逐步放大的录像。
GF12/b0 · 大模型：先看出租车这一对
这组仍是本文的 ConvNeXt large，28.6M 参数。上排是同一单元的强正响应，出租车；下排是它的强负响应，救护车。只看上排，我们会给它叫“出租车”；把下排补上，才知道它在相近车辆之间做了什么区分。照片来自作者的自然图像检索，正负值不是正确率。
教师备课：指图与模拟问答
指图与推进 · 不朗读先遮住其他类别的心理预期，只读出租车/救护车这一个单元。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
GF12/b1 · 再看两个独立例子
同样方法再看两组：西兰花对花椰菜，琵鹭对火烈鸟。我们不是把所有正极汇总成一个神经元，而是在并排比较三个不同神经元。它们的负侧常常是视觉上相近、在这里需要继续区分的对象。这支持“读两侧比只起一个名词更有信息”，还不能保证每个单元都如此整齐。
教师备课：指图与模拟问答
指图与推进 · 不朗读每列独立读正负，不跨列连接。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
GF12/b2 · 小模型：在较粗的区分处停下
现在研究对象变为本文的 ConvNeXt small，只有九万两千参数。这一个末层单元的正侧包含卡车、电车和客车；负侧包含船、飞机，甚至水中的牛车。相对于刚才的出租车和救护车，它的区分更粗。作者把它理解成空间受限时的宽泛概括。这里最重要的条件是：这是自训的三种配置，不是直接拿标准库里同名型号作比较。
教师备课：指图与模拟问答
指图与推进 · 不朗读明确切换模型标识；读四张正例和三张负例，水中牛车单独指认。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
接下来
跨规模比较还混合了很多条件。接下来主动改小一个指定层，观察网络在明确的瓶颈下学成什么样。
补充推导、边界与来源
本文三种自训ConvNeXt为small 92k、medium 7.06M、large 28.6M参数，约跨300倍规模。small / medium / large是本文模型身份，应保留参数量，不能自动套用其他公开ConvNeXt标准配置。
本页展示large最后一层的三组原站自然图：taxis、broccoli、spoonbills，并展示small最后一层的vehicles单元。原文还保留巨嘴鸟／犀鸟、灯塔／水塔、椒盐卷饼／贝果、狼／狗、猫／猞猁、手套／袜子等两极；这些同类例子可在来源原图继续查看。这里选三组是为了让学生读完每一对，不把九组缩成无法辨认的缩略图。
小模型负侧的oxcart自然图确实位于水面；它提醒我们“地面交通／水空交通”仍是视觉归纳标签，需要在具体反例上继续检验，不能把标签当人工制定的分类规则。
来源：Nick Cammarata，2026，Neural Networks Are Already Clean，Goodfire。negative-poles · tiny-vehicles-positive。原图及研究结果归原作者；本课选取、裁剪或重排固定状态，未重新运行训练或消融实验。
本页证据与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排