Anthropic 的可解释性研究提出过一个引人注目的主张：语言模型内部存在一个「全局工作空间」，模型在开口之前就把一些内容放在了那里，包括押韵词这类还没写到的东西。这个主张能在开源模型上复现吗？如果能，放在里面的到底是什么？
论文说了什么
这项工作在开源权重模型上做独立复现，方法上加了一道关键过滤。
用 lens 从中间层读出内容时，一个绕不开的混淆是：读出来的东西可能只是解码器已经收敛的结果，也就是模型马上就要说出口的词。这种情况下所谓「工作空间」不过是提前看到了输出，谈不上内部计算。过滤的做法是看「嘴边排名」，即该词在模型真实的下一词分布里排第几。排得靠前的判为影子，是输出的预告；只有排得足够靠后、模型当下并不打算说出来的，才算隐蔽内容，才有资格支撑工作空间的主张。
加上这道过滤，工作空间被劈成了两半。
留下来的一半是上下文寄存器：对话正在使用的哪种语言、被打错的字底下原本想写的是哪个词。这类是关于上下文本身的状态，条件着后续一切生成。跌到置换基线的一半是内容计划：押韵词、心算的中间值、多跳联想。把隐蔽性阈值调高，这些前瞻性内容就死了，说明它们反映的是输出预期，不是真正的内部计算。
寄存器可以被因果操纵。编辑语言寄存器能在 91.1% 的 prompt 上翻转输出语言，其中 64.6% 是完整翻转，即语言变了、答案还对；但只看严格隐蔽的子集，完整翻转掉到 29.2%，说明寄存器携带的是语言这个设定，不是内容本身。抹掉错字轴则干净地废掉了模型的纠错能力。还有一个值得停一下的细节：通过实体编辑改写寄存器，会连带改写模型对「自己被问了什么」的表征，这在 59% 到 71% 的试验里出现，且在 1.7B 到 14B 的尺度阶梯上稳定。
这篇的证据强度
对照做得比较硬。置换基线给出随机水平的地板，等幅随机方向的对照排除了「随便扰动都会有效果」这种解释。跨尺度用了 Qwen3 的 1.7B、4B、8B、14B 四档，跨架构另测了 Gemma-2-2B，结论在两个模型族上都成立。这些是复现类工作该有的样子。
最值得注意的限制是作者自己点出的：可读出的这条通道是一个拟合出来的性质，而且带宽很窄。有效维度分析显示，被搬运的方向从 75 到 128 维塌缩到只有 2 到 12 维，旗舰演示里大约就是两维。这意味着「能读出、能编辑」不等于模型内部真有一块内容丰富的黑板，更可能是我们拟合出了一条极细的可及通道。把它当成模型内部表征的全貌会读过头。
另外，否定性结论的分量取决于阈值。内容计划是在隐蔽性阈值调高后才跌到基线的，阈值定在哪里是方法选择而非自然事实。这一点论文透明地呈现了阈值扫描，读者可以自己判断，但它确实意味着结论的强度与阈值绑定。
对实践的意义
企业客户常问「模型内部到底记住了什么、哪些行为可控」。这类工作给的不是哲学答案而是操作答案：哪些内部状态可以被读出、被编辑、被信任。
落到交付上有一条具体的划线。语言、格式、被纠正过的用词这类上下文设定，是可以在内部被稳定持有并干预的，围绕它们做行为约束有依据。而「模型已经在心里打好了草稿」这类假设不成立，指望通过读取内部状态提前预判模型将要给出的实质内容，目前没有证据支持。可解释性能给的信任边界，比很多人期待的要窄。