大型语言模型常常在内部表征中存储了事实性与推理性知识，但这些知识并未忠实反映在其表层输出中，这一现象被称为“潜在知识”（latent knowledge）。针对这一问题，Ji-jun Park 等五位作者于 2026 年 4 月 7 日提交至 arXiv（编号 arXiv:2605.28825，属计算与语言 cs.CL 分类）的论文提出了名为 MechELK 的统一框架，试图把机制可解释性与潜在知识提取连接起来。
论文指出，现有潜在知识提取方法存在明显局限。以对比一致性搜索（Contrastive Consistency Search，CCS）为代表的方法依赖对比激活模式，在面对复杂多步推理任务时表现不佳；而机制可解释性工具此前主要用于“理解”模型行为，而非“提取”隐藏知识。MechELK 的出发点正是弥合这两条研究路线之间的缝隙。
MechELK 采用三阶段流程。第一阶段为“定位”（Locate），通过稀疏自编码器（Sparse Autoencoder，SAE）的特征分析与激活修补（activation patching）来识别承载知识的表征。第二阶段为“验证”（Verify），利用因果探针区分真正的潜在知识与虚假相关。第三阶段为“提取”（Elicit），应用表征工程在不修改模型权重的前提下将隐藏知识显性化。
在评估方面，作者在 TruthfulQA、一个经过整理的欺骗性对齐（Deceptive Alignment）基准以及 Quirky LM 数据集上进行了测试。结果显示，MechELK 的平均提取准确率达到 84.7%，比 CCS 高出 6.2 个百分点，比直接线性探针高出 9.1 个百分点。
更具意义的是，在模型表层输出错误或回避的案例中，MechELK 有 78.3% 的情况成功识别出潜在知识。作者据此强调该框架对 AI 安全应用的价值，尤其是欺骗性对齐检测。论文于 2026 年 4 月 7 日 18:05:06 UTC 提交，版本为 v1，文件约 97 KB，DOI 为 10.48550/arXiv.2605.28825。