本文探讨机制可解释性，强调电路分析需基于因果证据而非标签。通过induction head和IOI电路案例，说明激活修补可提供因果证据但可能产生幻觉。叠加现象使单神经元解释不可靠，稀疏自编码器可扩展但特征不完整。该方法对AI安全有工具价值，但尚不能完整解释模型。

本研究探讨了多语言模型中是否存在独立于特定语言的通用概念表征。通过激活修补技术，研究发现可以在不改变语言的情况下更改概念，并且对不同语言的激活平均处理能够提升翻译性能，证实了语言无关的概念表征的存在。