可解释性 / 机制研究论文深度解读：可观测现象 → 机制假设 → 局部干预 → 工程收益 四段闭环。
红慢蓝快的弹簧球实验给出『学会但没用上』的因果证据：训练只见过红球慢振、蓝球快振的视频模型，面对快速运动的红球会生成慢速未来；但用边界位置与速度算出的四维激活编辑能把快速运动写回来（held-out 恢复率 85.9%），同一编辑在临界深度后突然失效（closure/commitment），而信号仍在——放大单个注意力 V 头的写入即可在 56.3% 的顽固失败上恢复正确运动。
把『物理约束』重述为拉普拉斯分布的虚拟残差观测（r̂=0）注入扩散训练，再用 Jensen-gap 自适应残差尺度校正 noisy latent state 下的边缘化偏差、用 frozen MAE 对齐中间层与观测条件，在 ODE/PDE/代数/不等式四类约束上把物理残差与预测误差整体压到所有基线之下——但『约束注入为何有效』只有消融梯度与理论推导，缺过程级机制归因。
把 loss spike 的解释从「学习率临界」（EoS）补上「权重范数临界」：归一化引入 scale-invariant 分量，weight decay 持续收缩其范数，曲率按 α^-2 放大并越过范数稳定/尖峰边界而失稳；边界可逐层分解，给出可归因、可预测、可干预的机制，同时解释了 wd 提泛化却不能无限加大的实践张力。
把 transformer 最关键的两个非线性（MLP 的 GeLU、注意力的 softmax）换成由数据学出来的样条并冻结复用，做成一把测量「架构归纳偏置与任务匹配度」的探针：标准 transformer 在架构空间中很少处于局部最优，算法任务要求高度任务特异的偏置，语言任务要求相对通用的偏置。真正贡献是方法化、可测量的偏置兼容性研究，产出的是证据与新问题，产不出可落地的 SOTA 架构。
真正贡献是把 epiplexity（有界观察者从数据里真正学走的那段程序长度）从只能事后测量的理论量，变成一个闭式、可微分的 reservoir-ridge 估计器，从而同一个标量目标能同时复现 ECA 复杂度排序、无监督生成孤子与类结构、并给 RL 提供探索奖励。
把注意力 logits 方差当作比热 Cv 的在线探针，用动态 weight decay 在 grokking 相变边界前注入能量，把『grokking 加速』从离线诊断变成在线控制——但全部证据只落在 modular arithmetic 单任务上，机制归属仍未被隔离验证。
通过把生成过程显式反向积分（Euler/Heun，K=100）从真实视频 latent 恢复 denoising transformer 的内部轨迹，证明物理合理性在中间 block 状态里线性可解码（WAN-1.3B 81.27% vs V-JEPA 71.36%）且 VAE 输入上完全缺失——但闭环停在『可观测中间状态 + 破坏性扰动』层面：无 attention-map 级解码、无用中间状态引导生成的控制实验，机制→干预一环最弱。
一篇自包含的 MIT 6.S184 课程讲义：从 ODE/SDE 与 continuity/Fokker-Planck 方程第一性原理出发，完整推导 flow matching 与 (denoising) score matching 的训练目标（L_FM=L_CFM+C、velocity↔score 可互转、训练后任意 σt 的 SDE 采样），并延伸到 CFG、DiT/U-Net、latent VAE 与离散 diffusion（CTMC）；纯教程定位——只有 toy 定性可视化与转述的外部模型数字，无任何原创干预/收益实验，闭环后两环天然缺失。
用对比激活平均把人格特质压成激活空间中的一条线性方向（persona vector），并让这一条向量同时服务部署期监测、训练后修正、训练期防护和训练前数据筛查四个环节；核心贡献是这条端到端自动化管线，steering 只是验证手段之一。
把『世界模型』做成平台级可观测系统：视频 tokenizer 的压缩-重建曲线、diffusion/autoregressive 双轨预训练、3D 一致性与物理遵守度评测、post-training 下游收益全部带 baseline 量化；但『学到 latent world model』的机制环只有行为证据——论文自己承认 realism≠physics adherence，全程没有打开潜空间做任何探测或因果干预。
用 2D 经典力学模拟器把『视频生成模型是不是世界模型』变成可量化问题：ID 泛化随 scaling 逼近系统下限，OOD 外推误差高一到两个数量级且缩放无效；机制上模型走『基于案例』的模仿而非抽象法则，案例匹配时按 color > size > velocity > shape 的优先级参考训练数据——scaling alone 不足以发现物理法则。
Wan 2.1 是系统级视频生成技术报告：以『因果 3D VAE + 全时空注意力 DiT + flow matching 分阶段课程训练』为设计主干，把时序一致性、长视频上下文、双向 vs 单向注意力等可观测设计选择转成工程干预并给出端到端收益（VBench 86.22%、Wan-Bench 0.724、VAE 提速 2.5×、LCM 10–20×）；但机制层解释多为设计理由而非可证伪假设，『机制→干预』一环全程缺对照，是典型『强工程、弱机制』的闭环。
自建 396 段真实世界视频（66 场景×3 视角×2 take）构成 Physics-IQ 基准，测 8 个视频生成模型变体（Sora、Runway Gen 3、Pika 1.0、Lumiere、Stable Video Diffusion、VideoPoet）对固体力学/流体/光学/热学/磁学的物理理解：最佳模型仅 29.5%（真实视频物理方差上界 100%），视觉真实感与物理理解无显著相关（r=-0.46, p=.249）——视觉真实感 ≠ 物理理解；但这是纯「观测→评估」研究，机制解释（外观模式复现而非因果模拟）没有任何干预验证。
把稀疏自编码器（SAE）从 1 层小模型直接放大到生产级 Claude 3 Sonnet 的中层残差流：34M 特征字典在每 token 平均激活 <300、重建 ≥65% 方差的约束下，提取出多语言、多模态（纯文本训练却对图像零样本泛化）、兼具抽象与具体指涉的特征，并可用特征激活钳制（feature steering）因果改写模型行为；但可解释性证据主要落在人工挑选的案例上，从『能提取特征』到『安全可用收益』的工程一环仍缺系统量化。
把『神经元多义』从解释障碍改成可操作对象：用 ReLU 稀疏自编码器把一层 transformer 的 512 个 MLP 神经元分解成 4096 个字典特征，三路评估量化证明特征比神经元更单义、更可干预、跨随机种子更普适——但『字典特征就是模型真实使用的因果单元』这一步是统计重构后的推断，机制环证据最薄。
用可完全控制的 ReLU toy autoencoder，把『特征数超过维度』的 superposition 从假设变成可观测、可解析、可复现的现象——附带相变图、多胞体几何刻画和『叠加中能算 abs』的证据——并把 polysemanticity 从解释障碍重新定位成可研究的机制，留下三条消除叠加的工程路线图。