完整深入材料 · 保留原页与全部停点。回到相关主讲
名字很多，是否就必须打包进隐蔽空间？
本页问题
如果专有名词多到数不清，直觉上似乎必须把许多名字挤在一起。原文用 Miyazaki 的通路检查这个直觉：先找它怎样由更通用的片段组成。
GF21/b0 · 先看拼写，不先看人物
左边这些名字看上去很碎：末尾的 i、ak、ki 和 iy。模型还是 Qwen3-32B。它们不是专门只为宫崎骏准备的标签，普通词、其他名字和人造拼写也会触发。把观察尺度放到 token 边界，原来一个完整人名可以包含多个已有的局部规律。先不要急着给每个格子找一个中文名词，我们先读它对什么续接有反应。
教师备课：指图与模拟问答
指图与推进 · 不朗读先读左侧L0–L1四节点和中央Miyazaki定位，不沿线提前讲后续电影。
本态来源与条件
Goodfire · miyazaki-circuit · 原文实验／图数据；据原图重排
GF21/b1 · 从片段到同一名字
现在补上中间 L2 到 L3 的模式，以及它们通向 L4 的连接。一个节点把 trans 后接 act 与 z 后接 aki 联系起来；原文还用交叉替换和人造词检查。另一条围绕 saki 和“崎”的结尾。中央单元在作者试过的英文拼写、汉字与地名用法里都响应。注意这些边是汇入中央单元的关系，我们没有画出“左边四格一定先串行经过第二列”的假路线。
教师备课：指图与模拟问答
指图与推进 · 不朗读依实际连接指向L4，不把两列通用输入误念成层层串行的唯一链；指出6.71为边强度。
本态来源与条件
Goodfire · miyazaki-circuit · 原文实验／图数据；据原图重排
GF21/b2 · 后续使用，还要检查词义
再看右边。Miyazaki 单元通向 spirited away 和 Nausicaä 相关的单元，前者的这条连接明显更强。但别因为名字像电影，就把整个节点写成“千与千寻电影理解”。原文的后续 probe 发现，spirited away 的非电影用法也会激活；汉字输入路线也还没找全。我们得到了一条可以继续检查的组织关系，而不是给全网贴完了唯一正确的标签。
进一步解释
所有边数值是原图记录的连接强度。本课不将其改为概率，也不比较不同模型的边强度优劣。
教师备课：指图与模拟问答
指图与推进 · 不朗读比较两条真实输出边，再指出页面下方两个具体未完成处。
本态来源与条件
Goodfire · miyazaki-circuit · 原文实验／图数据；据原图重排
接下来
在 Qwen 的局部图里，我们能追到拼写、名字和后续联想。接下来换到更大的模型，检查这种追踪能走到哪一步，同时保留“选例”与“全模型审计”的区别。
补充推导、边界与来源
这是一张层间连接图，不是训练时间轴
原文 miy-mini-data 的默认对象为 Qwen3-32B L4/N8476。左侧是 L0—L1 的拼写片段，随后是 L2—L3 的续接模式，中央是 L4 的 Miyazaki 单元，右侧是 L6—L8 的后续关联。横轴按网络层次组织，并没有记录“先学 iy、若干步后学 Miyazaki”的训练 checkpoint。
图中的实际汇入连接有：L1/N15229（k/g/q 后末尾 i，4.4238）、L0/N13886（ak-cluster，3.3186）、L0/N4289（ki 结尾，2.0616）、L1/N20486（iy-bigram，1.8809）、L3/N12478（trans|act → z|aki，6.7058）、L2/N8891（罗马字续接，2.0890）、L3/N15141（−saki／崎结尾，3.1543）。这些都是进出中央单元的连接强度，不是单元激活值；画面只标较容易阅读的一部分数值，原始数据随素材保留。
组合解释具体在哪里成立
较早单元并不只在 Miyazaki 中响应。ki 结尾和 iy 片段也出现在普通词与人造字符串里。L3/N12478 的替换检查覆盖 trans/z 与 act/aki 的四种组合，包括人造词；这使“共同续接模式”比“单纯两个人名拼在一起”更有内容。中央单元在作者试过的不同文字、导演姓名和地名用法中响应。因此原图支持一个由可复用片段组合、再被后续联想使用的路线。
留下具体的不完整性
中央单元的负侧在保存研究中响应 Funny-X 构词，与正侧并非同一语义，不能假装只有一个完美标签。L3/N15141 是已找到的一条汉字“崎”输入，其他汉字路线仍不完整。右侧 L6/N24077 的标签是 spirited away，但后续 probe 不支持稳定区分电影与非电影用法；非电影用法也能响应。L8/N14338 多数强例围绕 Nausicaä，也会补全少量其他拼写。图中一条宽边不是“已经懂得整部电影”的证据。
递归泛化的正确身份
这些响应和连接可以支持“通用局部模式组合起来”的解释，也与递归泛化相容；仅凭这张成品网络图，不能把发展机制当作实际观测到的训练史。原文另有真实 checkpoint 记录，前面 GF09 已将它们与概念分枝分开。保留这种区分，才能让假说继续接受实验检验。
来源：Nick Cammarata（与 Curt Tigges 合作语言部分），2026，Neural Networks Are Already Clean，Goodfire，miyazaki-circuit。本课呈现原文结果及据原图数据重排的选定状态；没有重新运行模型实验。原作者权利保留。
与本页相关的深入阅读
A10｜探针能检测到，模型是否真的使用
Social Security 的三单元探针能识别短语，不代表模型必须用该方向决定后续 token。本文将三个单元解释为词、名字和短语续写的共同响应，再沿真正影响输出的路线找到词汇、表单、退休和输出相关单元，以及 Social Security 与 401(k) 的竞争。图只展示筛查 31 个单元中的 11 个；数值是逐单元删除时目标 log probability 变化的加总，负值表示删除伤害目标，正值表示删除帮助目标。探针的可读性、可预测性和模型实际使用要分开。
本页证据与条件
Goodfire · miyazaki-circuit · 原文实验／图数据；据原图重排