可解码不等于因果：用SAE分解区分探针读出与行为驱动特征

线性探针能从语言模型激活中解码真实性等安全相关概念，但探针准确率可能只表明可解码性，并不证明其加权特征在因果上驱动模型行为。我们说明，仅凭探针权重的几何结构无法弥合这一差距：与探针方向几何对齐的特征未必是模型实际使用的特征，因此因果相关性需要干预验证。我们提出特征级诊断，将已部署的真假探针分解为稀疏自编码器SAE特征，分别依据探针对齐程度和模型行为的梯度敏感度排序，再在连贯性门控下消融共同特征、仅探针特征及随机特征集合。对于Buerger等人2024年的真实性探针TTPD，在Long等人2025年为Gemma2-9B-Instruct设计的指令式真实与欺骗场景中，两种排名仅弱重叠，约12%，Spearman相关系数为0.10。消融清楚地区分二者：在保持完全连贯性时，探针与模型共同使用的特征使输出翻转最多27%，远高于同规模仅探针特征的6%和随机特征的1%；仅探针特征主要扰动探针自身读数。这种分离在五个随机种子和留出划分上均成立，考虑激活的特征选择使行为翻转频率接近几何排名最前特征的三倍，即17.6%对6.1%。因此，该设置下仅投影探针权重向量无法识别模型因果使用的特征；结合探针信息与特征激活统计能找到更多行为因果特征，而连贯性门控的SAE干预是将其与探针读出分离所必需的。