OpenAI：Alignment 研究博客· Tom Dupre la Tour and Dan Mossing, in collaboration with the Interpretability team·AI 评分56
OpenAI 用稀疏自编码器潜变量归因调试失配补全
Debugging misaligned completions with sparse-autoencoder latent attribution
AI 导读
OpenAI 可解释性团队提出用归因（attribution）筛选 SAE 潜变量，在两个案例（涌现失配、不当迎合）中计算正负补全对的归因差（Δ-attribution）选出 top-100 潜变量，再用激活转向和 GPT-5 评分验证因果性。
来源：OpenAI：Alignment 研究博客 · alignment.openai.com