内容介绍：
本期分享将介绍"LLM 原生语法"（LLM-Native Grammar）：一套立足于模型实际行为、而非人类语言学框架的描述体系。
一、旧范畴为什么不管用？ 以“知识神经元”为例：关掉一个神经元，模型的语法数一致性确实会乱（ICLR 2024 Spotlight）。但深挖下去就会发现，所谓"知识"和词元共现、句法信息缠在一起，根本分不开；建立在这一假设上的模型编辑方法（如 ROME）也远没有想象中稳健。不是方法不够精巧，而是描述单位从一开始就借错了地方。
二、模型的激活空间里长出了什么？ 用有监督多维缩放（TMLR 2026）打开隐藏状态，能看到一批出乎意料的几何结构：日期绕成圆环，时长排成对数直线，历史事件呈半环分布，四季聚作四簇。这些结构在 3B 到 70B 的各种模型上反复出现，而且是真正"干活"的：沿识别出的子空间做扰动，任务准确率直接掉 36%；换成随机子空间，几乎纹丝不动。
三、从神经元、注意力头到回路和 sheaf。 ACL 2025 杰出论文（top 0.3%）发现了"语境夹带"（contextual entrainment）现象：凡是上文出现过的词元，哪怕是随机塞进去的，模型都会不由自主地抬高它的概率，而假信息的干扰比真信息更强。通过可微掩码，这一效应被定位到约 36 个注意力头上，关掉它们，干扰随之消失。再往上一层，DiscoGP（EMNLP 2025）只用约 2% 的权重就保住 100% 的任务性能，找出的回路还能拆开重组；ICML 2026 的新工作则发现，同一个功能可以由几条几乎互不重叠的回路分别实现。描述模型的正确单位到底是什么？这个问题比想象中更开放。
四、描述之后，是控制。 原生语法不止于描述：看懂了结构，就能动手改。反过来说，认真研究这第二种语言系统，或许也能帮我们重新认识第一种，也就是人类自己的语言。
嘉宾：
牛靖程，德国达姆施塔特工业大学（TU Darmstadt）UKP 实验室博士后，博士毕业于多伦多大学计算语言学组。主要研究方向为大语言模型可解释性，关注如何把对模型内部机制的理解转化为提升模型可靠性、可控性与效率的具体手段，包括缓解干扰与幻觉、引导推理、在源头直接编辑模型行为等。曾获 ACL 2025 杰出论文奖（top 0.3%）等奖项。个人主页：https://frankniujc.github.io/。
