通俗解释
训练一个比激活维度宽得多、但每次只激活少数单元的自编码器重建模型内部激活，每个单元往往对应一个清晰概念（如“金门大桥”“代码漏洞”）。Anthropic、OpenAI、DeepMind 均已扩展到前沿模型。
用在哪里：Claude 特征研究、Gemma Scope、Neuronpedia
01原始论文
Sparse Autoencoders Find Highly Interpretable Features in Language Models
Hoagy Cunningham, Aidan Ewart, Logan Riggs, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
备注：Anthropic 同期工作《Towards Monosemanticity》（2023）发布于 transformer-circuits.pub；OpenAI 扩展：arXiv:2406.04093
02知识位置
左边先学；右边是学完它之后可以学的。
相关：激活引导
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：生成式与前沿研究
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
interp-sae)