已验证65% 置信事实精确时间
麻省理工学院与Anthropic的可解释性研究发现模型内部存在大量多义性特征，单个神经元可能同时响应多个看似无关的语义概念
3
来源数
65%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
大模型为何开始「造词」：LLM语言边界的本质解析
hackernewshackernews2026/7/6
相关事实
待验证存在一项题为《人工神经网络的涌现符号结构》的研究，关注神经网络在训练过程中是否会自发形成类似人类认知的符号化结构78% 相似已验证机制可解释性试图理解神经网络内部每个神经元和每层连接编码了怎样的概念76% 相似待验证Anthropic研究团队通过稀疏自编码器（Sparse Autoencoder）分解模型激活空间，试图找到可解读的神经元语义特征74% 相似已验证机制可解释性由Anthropic、DeepMind等机构的研究者主导推动，致力于逆向工程神经网络内部的算法结构73% 相似待验证传统的神经系统演化模型倾向于描绘一条单一谱系：从简单的神经网到集中化的神经节，再到高度组织化的中枢神经系统73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/170074API
curl https://kongchang.com/api/v1/knowledge/claims/170074MCP
get_claim(id=170074)