英文：Sparse Autoencoder 分类：alignment
用稀疏编码从模型激活中分解出"可解释特征"的自编码器：将稠密激活映射到高维稀疏表示（每个激活由少量特征组成），是 Anthropic 可解释性研究的核心工具。
原理：编码器升维+稀疏约束（L1 惩罚）→解码器重建，激活分解为稀疏特征组合；应用：发现可解释特征（如"错误/欺骗/代码"特征）、特征叠加解耦、电路发现；挑战：训练不稳定、特征不完整（大规模仍需验证）。
用于机制可解释性（特征分解）、安全监控（探测欺骗/越狱特征）、模型调试与对齐研究；稀疏自编码器是"解耦模型表征"的前沿工具。