Certified Mechanistic Edits：技能移除与保留的行为保证

研究提出对机制编辑（消融、权重编辑、激活引导）的行为效果进行认证，而非仅靠测试验证：证明禁用某电路后，在全部输入范围内都能移除一项技能并保留另一项技能。现有方法只能通过测试验证效果，无法覆盖连续的整个输入区域；此前可解释性-验证方向的工作认证的是模型描述（电路计算内容或解释是否忠实），该工作转而认证编辑本身的行为效果。