十年机制可解释性研究盘点：「LLM 只是下一词预测」论已死

Reddit 长帖盘点 Anthropic、CAIS、MATS 及学术实验室 2025–2026 年的 10 项机制可解释性与 AI wellbeing 研究，论证「LLM 只是 next-token prediction/角色扮演」的传统辩护已站不住脚。可解释性证据显示，模型内部形成了超越表面文本预测的结构化表征与目标，对「模型不会真有内在状态」的流行说法构成实质挑战。