完整深入材料 · 保留原页与全部停点。回到相关主讲
把尚未解释的例子留在桌面上
本页问题
作者专门展示 InceptionV1 mixed5a:719 的未解决例子。上方优化图与一批自然响应提示蝴蝶结、蝴蝶、泳衣的中间收窄形状；下方礼鞋、沙滩包、拖鞋响应使简单标签不充分。这里不替作者把反例圆成完整结论。
GF30/b0 · 先提出局部假说
先看这一组例子。蝴蝶结、张开的蝴蝶、某些泳衣，颜色和类别不同，却共享中间收窄、两边张开的形状。优化图也支持这个方向。我们可以提出“夹心或沙漏形状”的假说。注意，这只是待检验的概括，不能因为三列图都能被它解释，就停止看剩余响应。
进一步解释
原图 mixed5a:719 的优化图与自然响应截取自 hourglass-neuron-cropped.webp 上部；本页只改变 SVG 视窗，不改动原像素。
教师备课：指图与模拟问答
指图与推进 · 不朗读放大原图上部；先让学生描述共同几何，再给出单元编号和暂定假说。
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。
GF30/b1 · 把不舒服的响应展开
现在把下半部分展开。礼鞋、沙滩包、拖鞋没有都满足刚才那条简单形状描述。作者发现这些联系与共享早期单元有关，并提出“泛化带着语义残留”的可能解释，但明确说尚未完全理解。我们把它留作未解决问题，而不是把标签扩张成“所有与穿戴有关的物体”后宣布成功。
进一步解释
作者 tentative explanation 是 generalization with semantic residue。共享早期来源说明这些响应不是完全没有可追踪联系，但“有共同来源”也没有自动解释全部响应条件。
教师备课：指图与模拟问答
指图与推进 · 不朗读在保留上部假说缩略定位的同时放大下部；逐项点出礼鞋、包、拖鞋。
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。
GF30/b2 · 把证据等级说清
这里做三个区分：照片里的响应是观察；为什么会连接起来，是尚未完成的机制解释；作者仍然相信网络总体比预期更清晰，是一种综合判断。附录的百分之八十五属于第三类，不是已经解释百分之八十五神经元。即使表示比较清晰，网络仍然可能犯错、学偏或产生不希望的行为。
进一步解释
On the Title 明确没有完整模型审计。标题表达比逐例已验证结果更强的研究立场；课堂应保留这种张力。学生不必在“全部解释了”与“全都无法解释”之间二选一。
教师备课：指图与模拟问答
指图与推进 · 不朗读把“响应／机制／信念”三个词依次指回原图，不给本例打“已解释”勾。
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
这个例子既不能被一句宽泛标签抹掉，也不能单独证明任意叠加。它给出下一步必须解释的对象与联系。
补充推导、边界与来源
主文 Unresolved / counterevidence；附录 On the Title。作者约85%的数字是对其总体机制判断的主观信念，不是逐神经元解释覆盖率。
与本页相关的深入阅读
A19｜保留一个没有完全解释的反应
InceptionV1 mixed5a:719 会响应中间收窄的领结、蝴蝶、泳衣上部，也响应伴随它们的礼鞋、沙滩包和拖鞋。作者倾向于把它读成共同形状加语义残留，因为早层共享通路；但他没有完全解释这些例外。课程保留这个对象，是为了让“还不知道”可以落在一组实际反应上，而不是被一个足够宽的名字抹掉。
原文 Unresolved Responses · GF30
A22｜规模推断为什么仍是一项假说
作者把两件事分开：旧模型混乱的经典解释是否成立，以及任意打包会不会在下一规模出现。后一项没有由前一项直接排除。他的猜想是更成熟的相关电路更容易吸引新知识，罕见事实则沿相关通路生长，因而规模增大可能加强组织而非任意打包。可检验的预测是承载罕见事实的单元与注意力头应和事实内容有关。原文明确没有证明这一发展机制，不能据此保证更大模型永远更清楚。
原文 Does Scale Help or Hurt Superposition? · GF28 · GF30
A23｜怎样读一个比证据更大胆的标题
作者没有完成所有网络的全审计。他说约 85% 确信的是“几乎所有机制可能来自这一类组织过程”的假说，而不是报告“85% 神经元已解释”。标题表达的是对生成机制的判断变化，不能用作清洁率、正确率、安全性或对齐程度的测量。本文的有力之处在具体案例与可继续检查的方法；它的雄心仍需更多模型、协议和反例承受。
A25｜分枝较弱，是否就可以不管
作者目前观察到的旁枝通常较罕见，在各自语境中也较少具有主干那样大的因果作用，因此不像罕见但极关键的隐藏机制。这是经验判断，并非保证；它还提出未知的抑制过度生长压力。研究上有价值的是能够解释旁枝的来路与作用，而不是仅统计 top-k 与一个标签吻合多少。若出现少见却影响巨大的分枝，就应更新这一判断。
原文 Why We’re Not Worried About Recursive Generalization · GF21 · GF30
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。