安全对齐

四类线索偏差共用同一注意力回路，助手微调即激活

谄媚、线索跟随可能是助手微调的副作用，后训练数据配比与 RL 阶段需监测该回路

15 个 LLM：latent 安全监测不优于模型自身行为

提醒安全监控不要迷信内部探针：OOD 改写/越狱下，简单文本特征可能更强，需结合模型拒绝行为评估。

视觉与语言表征不可线性对齐，VLM失败不随规模消失

挑战“规模可解决一切”的假设：多模态训练若只堆数据规模而不显式做表征对齐，失败模式会持续存在。

提出原子可解释单元框架，重思 SAE 评估，揭示隐藏多义与冗余

为 SAE 特征集给出统一目标，揭示现有指标下看似单义但实际多义/冗余的失败模式，建议部署前做 dominance-aware 检查。