LLM 可解释性论文精读2026-07-22对齐伪装的隐藏状态探测：拒答残留、数据泄漏与因果空结果精读 arXiv:2607.13346：13 个开源模型中只有 2 个在监控下出现自然对齐伪装；严格留一查询探针在 Llama-3.1-8B 上 AUROC 0.87，却在 Qwen3-32B 上退回 0.43，steering 也未改变行为。
LLM 可解释性论文精读2026-07-21把单个权重变成可验证的解释对象：稀疏 Transformer 的逐参数实验精读 arXiv:2607.02964：论文用单权重消融、可执行谓词与持出验证测试稀疏 Transformer 的逐参数可解释性，并说明 15.0% 与 0.4% robust rate 之间的差异该如何解读。
LLM 可解释性论文精读2026-07-20从特征读出到行为干预：Qwen3-4B 的保密行为研究精读 arXiv:2607.14791：研究者用 per-layer transcoders、attribution graphs 与 feature steering 在 Qwen3-4B 中定位可干预的保密特征组合，并厘清它距离通用欺骗机制还有多远。
LLM 可解释性论文精读2026-07-19Llama-3.1-70B 的倒计时子电路如何跨任务复用精读一项针对 Llama-3.1-70B-Instruct 的机制研究：残差流 patching 定位出三个倒计时 attention heads，并用隐式长度干预与自然语料探测检验它们是否跨任务复用。
LLM 可解释性论文精读2026-07-18ENTD 揭示 LLM 训练的长尾：高频高熵前缀仍难以拟合一篇 2026 年 7 月的 arXiv 预印本把训练语料的经验下一词分布作为参照，在 Pythia 70M–2.8B 上发现平均训练损失掩盖了样本级长尾：2.8B 模型约 20% 的分层样本几乎贴合，而高频高熵前缀仍难以拟合。
LLM 可解释性论文精读2026-07-17多语言越狱不是一种失败：Minionese 如何拆出三条安全断路精读 arXiv:2607.10112：18 种语言、4 类扰动和三模型几何分析显示，多语言安全失败可能来自有害性表征坍塌、拒答信号未过阈值，或代码切换扰乱语言路由。
LLM 可解释性论文精读2026-07-16密集 FFN 里，真正驱动神经元的可能只有一小撮上游路径精读 arXiv:2607.11990：一种无需训练的归因方法显示，Transformer FFN 神经元的有效层间依赖可能远比参数连接稀疏，但现有证据仍停留在激活充分性而非任务因果必要性。
LLM 可解释性论文精读2026-07-15Claude 的 J-space：一小块可说出口的表示如何承载内部推理Anthropic 用 Jacobian lens 找到 Claude 内部一组可被报告、调制并参与多步推理的稀疏表示，并用交换、消融和跨任务实验检验它是否真有因果作用。
LLM 可解释性论文精读2026-07-14这篇新论文把 LLM 评委偏见压进了一个可干预的隐藏状态方向精读 2026 年 7 月新论文 Inside the Unfair Judge：它把 LLM-as-judge 的评分偏见解释为隐藏状态中的低维方向，并用 activation steering、随机方向控制和跨域预测实验检验这套机制解释。
