滞后耦合：内部表征在成为因果之前先变得可读

在整个 Pythia 套件（160M-12B，八个检查点，四类任务）中，线性探针最早可在第 1,000 步就从残差流中读出目标变量，且在所有尺度上皆如此——然而，沿着同一读取方向进行引导，在 48 个模型-检查点单元中的 43 个里与零效应等价。内部可读性始终系统性地快于因果效力，而且这种滞后并不会随尺度增大而缩小。我们将这种结构称为滞后耦合，并将其分解为三个可分离的轨道：（i）内部可读性，从第一个检查点起在各处都已饱和（AUROC >= 0.990）；（ii）行为可读性，随着尺度增大而逐步、且更晚地形成（12B 直到最后一个检查点才达到 0.909）；（iii）因果效力，几乎总是与零效应等价，偶尔在早期呈反效果，只有一个孤立的正向脉冲（12B，第 8,000 步，z = +2.49），而我们的网格无法分辨。其顺序主要是先读后写（11/11 个单元，没有反转）。沿探针方向的表征余量随训练和尺度增长最高可达 57 倍，而因果写入始终低于余量的 0.11%——该变量正越来越多地被写入表征中，同时又越来越被读出端忽略。在完全预注册的方案下，两种单一起始假说都得到 INDETERMINATE 结果（尺度斜率 +0.24，95% CI [-0.60, +0.87]；时间投票 3:3）——这一经严格定义的负结果可由三轨分解解释。预注册的 OLMo-2 复现保留了该方向，但幅度有所减弱。我们的结果提醒人们，不要仅凭 probe 准确率就推断可操控性，并确立了一个发展瓶颈：表征形成可靠地快于因果读出巩固。