稀疏自編碼器特徵操控（SAE feature steering）

一旦稀疏自編碼器把某一層解碼成一個個命名的特徵，你能做的就不只是讀它們——你還能把它們調大或調小，看著模型隨之改變。操控（steering）指的是在生成過程中對單一個 SAE 特徵下手：把代表金門大橋的那個特徵硬鎖在很高的值，模型就會把那座橋塞進它寫的任何東西裡。它就像是針對模型自己學到的某個概念的音量旋鈕。

具體做法是把該特徵的解碼器方向，以放大的係數加回殘差流，再讓前向傳遞繼續。因為這個方向是稀疏自編碼器找出來的、而非人手猜的，操控同時也成了對特徵含義的因果測試：如果放大它正好產生它的標籤所預測的行為，就是強而有力的證據，顯示這個特徵真的代表那個概念，且模型在下游確實用到它。

操控既是研究探針，也讓我們瞥見不必重訓就能做到的細緻控制。它的限制很重要：把特徵推得太用力會破壞連貫性、特徵彼此會交互影響，所以一個旋鈕可能牽動其他特徵，而且特徵目錄並不完整，你只能操控字典剛好分離出來的那些。