Suddenly, Unclean：神经网络可解释性将出现不连续性

作者论证神经网络的"干净"（单神经元-单概念覆盖率）存在不连续性：网络容量有界，但概念数与后训练压力持续上升，导致单义性神经元变得不可人类读解。后训练会增长AND子句，而现有审计基于OR编码检测top-k异常，无法发现AND逻辑，涉及eval awareness、sandbagging等关键对齐问题。