训练模型，而非训练读者：用于可验证激活解释的可解码性监督

论文指出，依赖重构分数的自然语言激活解释评估只能验证整体语义，无法惩罚单个错误断言。Qwen-2.5-7B实验中，仅约2%的具体断言真正影响重构；作者提出两种审计协议和RECAP，通过辅助预测头保持指定内容可解码，在沙盒模型及Pythia-160M上提升独立验证能力，并报告AUC 0.96与对抗场景AUC 0.95。