机制审计：正确答案也可能依据不合理

输入交互研究的条件

可解释性研究正在比较输入变量交互、内部特征与模型输出之间的关系，但解释图不等于模型真实使用该机制。2026年交互理论论文的稀疏性结论依赖选词、遮挡基线和分数重构目标。[1]

对应材料：交互理论论文

既有研究报告的事实摘要与条件说明；具体引用在正文标注

跨模型相似解释的证据

跨模型研究在AdaptLLM金融文本与WikiText-103文本各20例中，每例选10个词或短语，固定其他背景，分析模型对同一个目标token的预测分数。每例通常抽取约50–150组显著交互，发现共享交互往往阶数较低、正负抵消较弱。[2]

这是局部词组合对下一小段文本预测的分析，不覆盖完整任务轨迹，也未测试闭源前沿大模型。不同模型给出相似解释可能来自共同偏差，不能替代真实案件证据或独立正确性判断。[2]

对应材料：跨模型研究

既有研究报告的事实摘要与条件说明；具体引用在正文标注

正确法律答案也可能依据不合理

法律审计比较Qwen2.5-14B-Base、DeepSeek-R1-Distill-Qwen-14B、SaulLM-7B-Instruct、BAI-Law-13B四个模型，使用五类中英文法律任务、每类100个随机样本。专家选定10个短语，再由16名有法律从业或学习背景的标注者判断哪些依据相关、无关或不应使用。[3]

图4中的案例是甲咬伤丙，乙随后用铲子击打丙并造成死亡。SaulLM对甲的判断虽然正确，内部解释却受乙的行为和死亡词影响；这说明最终答案正确也可能依据不合理。论文的s_reliable是交互效应强度比例，不是案件错误率，不能拿来预测司法业务出错比例。[3]

对应材料：法律审计

既有研究报告的事实摘要与条件说明；具体引用在正文标注

Circuit Tracing怎样通过干预检验机制

Circuit Tracing先构造较可解释的替代计算与归因图，再主动改变内部特征，观察输出是否按假设变化。Haiku 3.5在36+59时原答95；作者抑制与输入个位6有关的特征后，输出变为98。在保留原注意力模式的条件下，这为一条局部计算假设提供干预证据。[4]

这不表示已经找到所有决策原因：跨越很多层的干预预测会变差，验证往往只针对较粗特征组与方向效果。让聊天模型解释自己的理由也不能替代这种内部检查。[4]

对应材料：Circuit Tracing方法

原研究事实摘要，原始配置与适用范围沿引用材料核对。

商业关联与独立复验要分开

跨模型论文作者Yao Yan署名SymTrustAI，这是需要披露的商业关联；它不自动否定研究结果，但应与独立复验分开评价。[2]

对应材料：跨模型研究

原研究事实摘要，原始配置与适用范围沿引用材料核对。