大型語言模型（LLM）經常在其內部表示中編碼事實和推理知識，但這些知識並未在其表面輸出中忠實地反映出來——這種現象被稱為潛在知識。現有的方法，如對比一致性搜索（CCS），依賴於對比激活模式，在處理複雜的多步推理任務時存在困難，而機制可解釋性工具主要用於理解模型行為，而非提取隱藏知識。
本文提出MechELK，一個統一的三階段框架，橋接了機制可解釋性和潛在知識提取。MechELK通過以下步驟操作：（1）定位——使用稀疏自編碼器（SAE）特徵分析和激活修補來識別承載知識的表示；（2）驗證——採用因果探針來區分真正的潛在知識和虛假相關性；（3）提取——應用表徵工程在不修改模型權重的情況下浮現隱藏知識。
在TruthfulQA、一個精心策劃的Deceptive Alignment基準和Quirky LM數據集上評估，MechELK平均提取準確率達84.7%，比CCS高6.2%，比直接線性探針高9.1%。關鍵在於，在模型表面輸出錯誤或迴避的78.3%的情況下，MechELK成功識別出潛在知識，展示了其在AI安全應用中的實用性，包括檢測欺騙性對齊。
該工作由Ji-jun Park等人完成，提交於2026年4月7日，發表於arXiv。