标签
提出用于审计语言模型的参考特征图谱，能够高效地在模型间迁移特征库，并揭示模型特定的异常。
本文使用 Dedicated Feature Crosscoders 将Qwen2.5-3B中RL诱导的工具使用能力定位到单个可操控特征，通过特征操控实现了+65pp的工具正确性，并展示了能力溢出到冻结的基础模型。