完整深入材料 · 保留原页与全部停点。回到相关主讲
地图要落到同一个真实节点
本页问题
地图切回 7.06M 的 medium ConvNeXt-SwiGLU（epoch_090；7,057,377 参数），并非 GF28 最后一态的 28.6M 模型。本页使用原站 circuit-atlas 的原始网格、原图块与节点数据，保持同一坐标系：8832 个神经元排列于 322×123 网格；这里选择虎鲸路线 c148，背鳍节点 7500 对应 stage3.block1:716，虎鲸节点 8211 对应 stage3.block2:403。地图的空间布局是解释索引，不是网络的物理布线图。
GF29/b0 · 先定位整张图
现在从刚才的大模型切回七百零六万参数的 medium ConvNeXt-SwiGLU，保存点是 epoch_090。先看整张图。岛屿对应阶段，右边是输出类别。很多相邻单元有相似自然响应，这让我们能用“鸟”“狗”“海洋动物”当导航词。但这些词是地图索引，不能代替具体机制。今天固定右侧 Stage 3 的这块区域，后面每一步都回到它。
进一步解释
全图来自原站 natural-image preview，网格精确宽高 322×123。所选 tile 是 nat/0/26_5.webp，每格 128 像素，覆盖 x208–215、y40–47。图片黑色在原资产中为透明背景，本页按白底显示。
教师备课：指图与模拟问答
指图与推进 · 不朗读从左至右指五个岛，圈 Stage 3 中 x208–215、y40–47 的原始图块；保持圈选位置。
本态来源与条件
Goodfire 原文、原图及其同源交互数据；本页按原数据重绘与中文讲解。
GF29/b1 · 放大同一块海洋区域
现在把刚才的框放大。我们没有换图：这一块的列是二百零八到二百一十五，行是四十到四十七。右边第四行那个单元是虎鲸背鳍，它旁边的自然例子出现虎鲸、鲨鱼等对象。相邻的视觉主题解释了“海洋区域”为什么方便导航，但单元之间是否传递有效信息，仍要看归因。
进一步解释
(215,43) 是节点 7500，stage3.block1:716；相邻 (214,43) 是节点 8211，stage3.block2:403。该位置由 atlas nodes 元数据定位，而非目测给海洋照片任意起编号。
教师备课：指图与模拟问答
指图与推进 · 不朗读指局部图右侧的金框，再对照列 x208—215、行 y40—47 与金框坐标 (215,43)，说明它对应上一态圈出的同一原始图块；保持 stage3.block1:716 的节点身份。
本态来源与条件
Goodfire 原文、原图及其同源交互数据；本页按原数据重绘与中文讲解。
GF29/b2 · 打开节点，再看连线
展开同一背鳍单元的自然响应。上排出现水面上露出的虎鲸背鳍；其负侧例子则与巢上的白鹳相关，提醒我们一个正向标签没有描述全部行为。原站选择的虎鲸路线里，这个背鳍单元向虎鲸单元贡献约三分之一的输入；虎鲸单元再给类别 logit 贡献五点六七。这里数字是归因量，不是分类概率。
进一步解释
原 node7500 的 pos=[0..5]，negc=[8..11]；card 选择 [0,1,2,3,5,6]，其中作者为卡片省略一幅含水印例子。本页遵守 card slots 显示；负侧示例按源索引 8..11。本态只显示自然响应例子；原 sheet 两端的优化图未在本态展示。边 7500→8211 的原 E=1.88，目标 R=5.674，比例约33%；8211→类别原 E=5.67。这是该归因图条件下的数值。
教师备课：指图与模拟问答
指图与推进 · 不朗读指背鳍正侧自然例子，随后指负侧白鹳；沿编号 716→403→killer whale 的箭头走，区分自然响应例子与箭头上的归因量。
本态来源与条件
Goodfire 原文、原图及其同源交互数据；本页按原数据重绘与中文讲解。
GF29/b3 · 地图还要接受干预
最后看这条路线的检查：去掉选出的十个单元，虎鲸类准确率从百分之九十六降到八；去掉十个随机单元，仍是九十六。作用主要来自三个 Stage 3 单元。更早的七个单元一起去掉，logit 只变约零点零一三；它们的证据比较分散。因此可以说晚期核心路径强，不能把十个点的连线读成完整因果故事。再拉回整个海洋家族，还能分出鲸、鲨鱼与鳐、被钓者举起的鱼三条路线。它们在 Stage 1 之后不共享这套抽取中的关键神经元，家族是按终点相近分组，不代表走法相同。
进一步解释
原 validation.extra.c148：base logit6.503，整条十节点消融下降3.7758，三个 Stage3下降3.6666，早期七节点下降0.0128，随机匹配早期绝对变化最大0.0079。准确率是此路线验证样本上的类表现；不是全 ImageNet 总准确率。原 cover 显示三个 Stage2节点仅承载该阶段约4.4%的类证据。海洋家族11个类路线，三组晚期关键节点不重叠，不应扩大为所有信息或所有连接互不共享。
教师备课：指图与模拟问答
指图与推进 · 不朗读并排比较关键与随机消融，再指出 3 个晚期／7 个早期；让学生指出地图解释应在哪一步降低信心。
本态来源与条件
Goodfire 原文、原图及其同源交互数据；本页按原数据重绘与中文讲解。
接下来
能回到图像与干预的地图比标签海报更有用；某条路线早期证据较弱，应在证据变薄处停止强结论。
补充推导、边界与来源
主文 Representing What We Find；同源 circuit-atlas/data/atlas-embed.json 与 atlas.js 的 tourSteps，节点 sheets 和地图 tile。后续图解重用原数据，没有把静态地图局部拼接成不存在的连续路径。
与本页相关的深入阅读
A13｜边上的共同模式为什么值得研究
作者分解 25,000 张 ImageNet 归因图，得到原生单元之间反复出现的连接模式，例如茶壶电路。96 个边模式与 96 个激活因子对照时，前者更能预测哪些图像会受对应单元消融影响。这里的抽象仍能返回真实节点和连接，因此适合从局部走向地图；它不是声称每一种矩阵分解都获得完整因果图。
本页证据与条件
Goodfire, “We found the neural networks were already clean”，全文、原图与同源数据。观察、干预与作者解释在逐态说明中区分。