看起来很像，却缺了关键条件：解释还成立吗？

同一解释的命中与近失配

主图单元是 Qwen3-32B L36/N15664，解释为“东西或人已经答应给某一方，但尚未交付”，即 spoken for。命中句写小马还没出生，饲养者就已许诺给某马厩；near miss 保留小马、马厩与出生前的情境，却改成把母马送到马厩，并没有许诺归属。原图展示的两段文本前缀都止于 for，报告的响应分别为最强语料例的 81% 与 20%；可见来源未标注具体测量 token，不能把句末 for 当作已确认的测量位置。第二对葡萄酒预售约定与已经出售的例子为 43% 与 16%。

这些百分数是激活值相对于该单元最强语料例的比例，既不是答案概率，也不是“81%的句子理解正确”。两句只换关键条件，是为了减少用大类主题就能蒙对的可能，但仍不能证明唯一机制。

主图与完整样本的两个分母

主图展示最初 20 个单元；每个解释生成 5 个命中新例与 5 个近失配，因此各 100 条。以达到最强语料例的 30% 为强响应阈值，命中有 81/100，近失配 8/100；20 个单元的均值比较都在命中侧更强。

附录的完整测试从 gallery 随机取 200 个单元，其中 183 个解释描述正侧进入这一口径：命中新例强响应约 76%，近失配约 11%；逐单元比较赢 164、平 15、输 4。不能把主图的 81%／8%当成全部 183 单元的结果，也不能悄悄删除失败的 4 个。

这个测试不能单独解决 superposition

一个真正同时做 X 或 Y 的单元，也可能把“不属于 X 或 Y”的近失配拒绝得很好。因此 near miss 检查的是边界，不单独判定概念为什么共处。作者还让 agent 构造尽可能遥远的概念，每单元 5 条，这些文本强响应约 1%；183 个单元中有 179 个在这些文本上从未强响应。但“agent 想到的远概念”仍不是整个可能输入空间。

好的解释要接受多种批评：中心新例、相近反例、远概念、符号分区、上游构成和实际干预。本文据这些结果提出组织机制假说，仍不把它们变成全模型的完备证明。

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

A12｜近失配、遥远概念和盲测中心各检验什么

从 gallery 随机抽 200 个单元后，183 个解释描述正侧。agent 先只读解释，分别写五个应该激活的新例和五个近失配，再测响应；达到语料最强响应的 30% 算强。完整样本的新例强响应率为 76%、近失配为 11%，按单元计赢 164、平 15、输 4。主图展示前 20 个，81/100 对 8/100 是这个子集的数字，不能与整体混写。

近失配检查语义边界，却不能独自区分“X 或 Y”的任意打包；它对 X、Y 都可以有清楚边界。作者另让 agent 写最遥远概念，约 1% 达强响应，179/183 个单元没有一次强响应。有限构造仍不穷尽所有潜在用途。Blind maximum 测中心、近失配测边界、遥远概念挑战无关分支、路径与干预再问怎样发生；没有一个单分数替代其余工作。

原文 Explanations That Could Lose · GF23 · GF24