待验证50% 置信事实精确时间
一篇最新研究将机械可解释性（Mechanistic Interpretability）引入端到端自动驾驶领域，通过稀疏自编码器（SAE）解剖模型内部激活，找到了与路线意图、车速、刹车行为对齐的可解释结构，并证明这些特征能实际用于提升规划性能。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/2
首次发现
有效期至：2027/1/31
来源
涉及实体
相关事实
已验证机械可解释性(Mechanistic Interpretability)的目标是逆向工程神经网络的内部计算机制,Anthropic、OpenAI等机构研究者试图识别网络中的'推理电路'73% 相似待验证机制可解释性（mechanistic interpretability）方法近年来被广泛用于定位归纳头（induction heads）、事实检索电路等特定功能模块71% 相似待验证可解释性研究（Interpretability）指理解模型内部表征与计算过程的研究方向，与仅观察输入输出行为的“黑箱测试”相对。68% 相似待验证基于LLM语义理解的测试方案对UI变动具有比传统结构路径依赖更强的鲁棒性68% 相似待验证该研究提出用结构自动机（structural automata）系统性地解决神经语义解析的结构约束问题，并在DRS解析的解码、事后处理与训练三个阶段验证，同时在AMR任务上评估解码效果67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125332API
curl https://kongchang.com/api/v1/knowledge/claims/1125332MCP
get_claim(id=1125332)