深度分析
Diff‑SAE（差分稀疏自編碼器）在後門分離上勝出 Crosscoders：SmolLM2‑360M 實驗比較
大型語言模型部署擴增，隱藏式後門成為安全挑戰。研究用差分稀疏自編碼器(Diff‑SAE)與Crosscoders比對，透過年字串觸發的SQL注入設計，採差分表示分離後門方向性激活。結果顯示Diff‑SAE在分離後門信號與降低誤報方面明顯優勢，對監控與可解釋性工具有實務啟示。
稀疏自編碼器
深度分析
以 Transformer 與稀疏自編碼器從加密網路流量重建長期行為表徵
本研究探索「加密手機網路流量」作為一種被動、跨平台的長期行為感測來源。研究以 WireGuard VPN 取得每小時加密流量指標，使用共享 Transformer 骨幹搭配每用戶 adapter 學習時序行為，接著以稀疏自編碼器（sparse autoencoder）將表示分解為可解讀的行為特徵。
深度分析
Qwen‑Scope：利用稀疏自編碼器實現大型語言模型的即時導向與安全分析
Qwen 團隊近期釋出 Qwen‑Scope，提供一套針對 Qwen3 系列模型訓練的稀疏自編碼器 (SAE) 工具。透過將高維隱層激活分解成稀疏特徵，開發者可以在推論階段直接調整模型行為、在不執行完整評估的情況下分析基準測試、以極少資料建立多語言毒性分類器，甚至在微調與強化學習階段使用特徵訊號抑制語言混雜或重複輸出。
深度分析
從 SAE 特徵到機制圖：多尺度共現與層間轉碼器的內部知識組織
本文報導一套把稀疏自編碼器（SAE）特徵重構為領域專屬知識圖的流程。研究先用對比式多階段過濾從大量特徵中挑出嚴格的領域概念，再用兩種對齊的圖形視圖呈現其結構：一個多尺度的共現圖揭示語料層級的概念分佈，另一個基於轉碼器的機制圖則描繪跨層可讀的因果路徑。
深度分析
Claude Mythos 預覽系統卡：情緒向量與稀疏自編碼器的對齊安全測試
本研究聚焦 Claude Mythos 預覽系統卡，利用情緒向量與稀疏自編碼器特徵分析模型行為。提出兩種假說：情緒向量是功能情緒的因果驅動，或是情境結構的投射。透過在僅報告 SAE 的策略隱蔽情境加入情緒探測，驗證哪個假說成立，影響未來危險行為的情緒監控效能。
深度分析
Safe‑SAIL：稀疏自編碼器在大型語言模型安全特徵的細粒度解釋框架
在大型語言模型安全研究缺乏細粒度特徵解釋的背景下，Safe‑SAIL 透過稀疏自編碼器與前置解釋評估指標，快速挑選安全領域專屬特徵，並以段落層級模擬降低 55% 的解釋成本。最終建構 1,758 項跨四大安全領域的可讀特徵，證實此框架能有效辨識風險特徵並解析模型層級編碼。