把大模型当外星生物解剖，这群人发现了什么

Meet the new biologists treating LLMs like aliens

MIT Technology Review 报道了 Anthropic、OpenAI 和 Google DeepMind 正在用“机械可解释性”研究大模型内部机制。打个比方，一个 2000 亿参数的模型用 14 号字打印出来，能铺满 46 平方英里，差不多整个旧金山市区。Anthropic 用稀疏自编码器做了一个更透明的替身模型来模仿目标模型，2024...

推荐理由：这篇不是常规研究复述，而是用“外星生物学”的比喻把机理可解释性讲透了。我会先打个折：它不是新模型发布或单一突破，而是高质量的报道式综述，但给出的稀疏自编码器、金门大桥特征、香蕉颜色路径这几个例子够具体，能让做对齐和安全的人停下来想一想。正文没披露这些发现的复现规模和泛化边界，所以别太激动，但它确实把“模型内部缺稳定心智”这个约束摆到了台面上。