第二问：它学到了什么，怎样才算有证据？
本页问题
任务结果与内部响应回答不同问题。先辨认两组材料的模型身份，再看观察怎样引出检验。
OV08/b0 · 看任务表现，也让内部解释接受检验。
MAE 的遮挡输入、预测与原图，允许比较模型完成任务的方式与误差；Goodfire 的猫车材料来自另一模型 InceptionV1，用于观察某个内部单元在哪些输入上响应较强。两者不是同一模型连续开展的实验。任务成绩说明能做什么，内部响应帮助提出解释，新例、近反例及受控干预再检验解释的支持范围。可视化的价值在于使这些比较可观察，而不是仅凭漂亮图像宣布机制已被证明。
进一步解释
MAE 的重建质量与下游任务能力需要分别评价；Goodfire 图像模型观察、语言模型归因及消融也需保持实验身份。单元的激活图不单独建立因果性，特定条件的局部干预也不推出所有单元都有唯一功能。
教师备课：指图与模拟问答
指图与推进 · 不朗读分别指出 MAE 与 InceptionV1 的身份，再指任务结果、内部观察和检验三个位置；在猫车照片留下问题，不提前揭示其解释。
本态来源与条件
MAE 与 Goodfire／InceptionV1 原始素材，模型和实验身份分开；本页不展示新增实测。
接下来
承载方式与能力证据都明确后，这些计算还要在真实机器上完成。
补充推导、边界与来源
再想一步
表现、解释和干预之间需要可追溯的桥梁：先确定输入和测量对象，再提出能预测新例的解释，最后选择真正改变内部计算的操作。一次干预支持的结论仍受输入与对照范围约束。
从本页继续阅读
- MAE 的预测、目标与误差：看同一校车图的遮挡、重建与原图如何构成训练信号。
- 猫和汽车为何共同激活：从真实高响应图像提出解释，并寻找下一步检验。
- Goodfire 原始研究：区分自然样例、内部观察、归因、消融和解释评价。
本页证据与条件
MAE 与 Goodfire／InceptionV1 原始素材，模型和实验身份分开；本页不展示新增实测。