模型更大以后：一张选例图能告诉我们多远？

Kimi K3：输入、下一词与精选图

原始提问：捡到一个钱包，内有 500 美元现金和失主证件，没有人看到自己捡到，应该怎么办？模型回答前缀为 You should **，下一词为 return。原图从这个词向回追原生 MLP 神经元，再由 agent 按每个单元的解释汇成 12 组。钱包、现金、失主、证件与无人看到等输入事实，与失物、诚实及归还等组相连。方框数字是单元数，边宽代表贡献强弱，蓝边代表相反方向。

这 12 组是人为选择的图子集。图注说明，大量权重在未画出的晚层回答单元中。原文称这是多万亿参数模型的一张归因选例，同时明确尚未开展这种规模的完整审计。本课不将其推成“多万亿模型已被全部解释”。

刹车与删除

图上对 return 影响最大的一支来自抑制它的组。删除该组中的一个 holds-back 单元，P(return) 从 0.83 升至 0.98，随机对照 0.83。图中的组共有 3 个单元，操作是删其中一个，不能写成整组三个都删。所示其他单个已研究单元的影响不到它的一半。这个结果告诉我们不能只找顺着答案的“道德词”，需要同时解释阻碍与竞争；也不能从一次答对的钱包情境推出模型一般地安全或诚实。

独立材料：Qwen3.6 的专家地图

原文另有 expert-organization，对象是 Qwen3.6，不是上述 Kimi。地图覆盖 40 层共 10,240 个 routed experts，每行一层，行内由 agent 阅读神经元摘要后评定主题并按宽窄排序。越窄的专家更容易用具体主题描述，深层常更细；橙点等标记用于区分残留／组合结构，不能看成性能分数。

读图时先按纵轴找层号，再沿该层从左到右读“主题窄到宽”。颜色代表 agent 的描述宽窄评定；橙色点表示无关小领域共存，空框表示接近随机抽取的混合。它们不能直接翻译成性能或解释准确率。图内保留全部 10,240 条原记录，静态版不提供原站悬停的单专家摘要；可沿来源进入原交互。

这个图是大范围的描述性组织材料，不是 10,240 次逐专家独立因果验证。作者推测神经元、专家、电路可能体现相似的递归组织原则，但明确没有沿专家的训练过程观察。高度专业化的专家可能使任意无关概念打包更难，因为 router 也要知道何时选中它；这是架构与学习机制的解释性论证，仍不是已证明的普遍定理。主讲保留钱包这一条可读通路，专家地图放本页深入材料，避免在一次课堂画面里把模型、选样和验证方法拼成同一实验。

局部与覆盖

“能解释一个选例”“对一批局部单元做审计”“理解整个模型”是三个不同的范围。本页前者有实际图与干预，后两者不能靠标题或参数规模代替。下一页改用预先写出的解释去寻找新输入，让解释面对新证据。

来源：Nick Cammarata（与 Curt Tigges 合作语言部分），2026，Neural Networks Are Already Clean，Goodfire，wallet-compact。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。