稀疏特征干预何时真正局部化？SAE安全控制的匹配评估

论文提出带匹配目标效应与连贯性门控的SAE运行时安全干预评估协议，在Gemma-2-9B-it及Gemma Scope第20层残差SAE上比较top800、1600、3200特征。结果显示，top800在较低扰动下保持竞争力；top1600效用落后于稠密拒答方向，top3200主要导致连贯性崩溃。