摘要： Guide Labs 於 2026 年 2 月 23 日發布 80 億參數基礎模型 Steerling-8B，並提供 Hugging Face 權重、GitHub 程式碼與 PyPI 套件。模型內建概念層，把嵌入拆成已知、發現概念與殘差，超過 84% token 級貢獻流經概念模組，可在推論時追蹤或調整行為。官方稱效能具競爭力並達既有模型約九成，訓練資料並未隨本次發布一併開源，文章也未明列授權條款。
2026 年 2 月 23 日，來自舊金山的新創公司 Guide Labs 對外發布 Steerling-8B——一個從設計之初就把「天生可解釋」設為目標的 80 億參數基礎模型。發布內容一應俱全：Hugging Face 上有權重，GitHub 上有程式碼，PyPI 也提供了套件。TechCrunch 給它的定位是「一種新的可解釋 LLM」：訓練完成後才補做的分析被捨棄，改由架構本身把可解釋性內建進去。
這對開發者意味著什麼？模型行為頭一回落到工程這一側——可以逐項檢視、逐項調整，而不必再對著黑盒子做神經科學。
可解釋性長在架構裡，不是訓練後的補救
過往的慣例，是把已經訓練完的網路拿來解剖。Guide Labs 執行長 Julius Adebayo 講得毫不拐彎：「大家做的可解釋性，是對模型做神經科學；我們把它整個翻轉。」他在 MIT 攻讀博士期間曾與人共同執筆一篇 2018 年論文，那篇論文證明的正是：當時深度學習的既有可解釋方法靠不住。
具體機制上，Steerling-8B 在模型內部安插了一層概念層：嵌入會拆成約 3.3 萬個經人工標記的「已知概念」、約 10 萬個由模型自行學出的「發現概念」，外加一個殘差項。概念沿著線性路徑進到 logits，這表示每一次預測都能被精確化約為各概念分別的貢獻；更實用的是，推論階段便能直接新增、移除或組合概念來調整模型行為，重新訓練完全免了。
每個 token 的出處都查得到
模型生成的任何一段 token，都能循三條線索往回追：輸入提示中的哪些 token 對它起了作用；它觸發了哪些人類讀得懂的概念，語氣類如「分析型」「臨床型」，內容類也一併在列；以及它引用的訓練資料出自哪座語料庫——ArXiv、Wikipedia、FLAN 等。
數據也撐起了這個設計：token 級貢獻有超過 84% 流經概念模組；縱使把殘差路徑整條拿掉，LM Harness 的成績也只輕微下降；在保留驗證資料上，已知概念的偵測水準來到 96.2% AUC。換句話講，概念層絕非擺著好看的裝飾——模型多數的決策路徑都由它承擔。
為透明付出的效能代價，比預期輕
可解釋模型長年背著「以準確度換透明」的宿命。Steerling-8B 的訓練總共用了 1.35 兆個 token，主幹採因果離散擴散模型，因此引導能橫跨多個 token 的區間進行，不必侷限於下一個 token 的預測。官方公布的結果：FLOPs 花得更少，平均表現卻勝過 LLaMA2-7B 與 Deepseek-7B；即使面對動用 2 到 10 倍算力、2 到 7 倍資料量訓練出來的模型，它也站得住腳。
Adebayo 向 TechCrunch 表示，訓練可解釋模型「已經不是一門科學，而是工程問題」，他也不認為這類模型有理由達不到前沿規模的表現。公司自己的說法是：Steerling-8B 已具備現有模型約九成的能力，用的訓練資料反而更少。
這家公司與接下來的藍圖
Guide Labs 出身 Y Combinator，2024 年 11 月完成由 Initialized Capital 領投的 900 萬美元種子輪；創辦人共兩位——執行長 Julius Adebayo、科學長 Aya Abdelsalam Ismail。往後的規劃涵蓋規模更大的模型、API 與代理式存取，以及 Clarity 平台——由 Steerling 的指令微調版本驅動。官方部落格還預告了一系列深入主題：概念引導、概念發現、不做微調的對齊（以概念層級的介入取代安全微調）、記憶化與訓練資料估價。
落地場景也十分具體：攔下版權內容、約束涉及暴力或藥物的輸出、受監管產業的模型（貸款模型該依財務紀錄判斷，而非種族），乃至蛋白質折疊這類科學用途。團隊同時持續留意模型自行「發現」的概念——量子運算即為一例——這些類別並非人為指派，而是在訓練過程中自行浮現。
開發者現在就能上手的資源
權重就在 Hugging Face（guidelabs/steerling-8b），程式碼在 GitHub（guidelabs/steerling），PyPI 上的套件可直接安裝。凡是要處理輸出控制、模型除錯或合規說明的團隊，都能把它視為一份可拆解研究的完整參考實作。兩件事得留心：訓練資料並未隨本次發布一併開源，文章也未明列授權條款，商用前請自行查證。