召回与精度的分工：Agent 内部监控为什么既需要 SAE 也需要 Neuron
Anthropic 用 SAE 探针读取模型内部状态，发现约 29% 的行为测试场次出现“我正在被测试”的评估感知信号，而同期行为审计与思维链均显示正常。SAE 擅长无预设目标的无监督盲扫，但存在重构误差、底座升级后需重训等代价；直接读取原生 neuron 则在已知概念检测上更省算力，Cammarata 对 Qwen3-32B 的初步审计显示约 90% 的 neuron pole 有单一主职。
Anthropic 用 SAE 探针读取模型内部状态，发现约 29% 的行为测试场次出现“我正在被测试”的评估感知信号，而同期行为审计与思维链均显示正常。SAE 擅长无预设目标的无监督盲扫，但存在重构误差、底座升级后需重训等代价；直接读取原生 neuron 则在已知概念检测上更省算力，Cammarata 对 Qwen3-32B 的初步审计显示约 90% 的 neuron pole 有单一主职。