在讨论模型表征时，如果想要得到超越单一模型的结论，必须先明确何时把两个表征视为等价。线性表征假设（Linear Representation Hypothesis）常被直接引用，却很少说明等价关系的具体形式。不同的等价定义会保留不同的结构特征，导致看似在研究同一表征的度量、探针和干预实际上对应不同的假设。
我们认为线性表征假设并非单一命题，而是一族由表征等价决定的声明。为此我们引入群作用的形式化框架：先确定表征对象（如隐藏层向量），再描述产生该对象的过程（模型前向传播），最后给出要断言的属性（如线性可分性），同时把模型结构强加的等价关系纳入考虑。
该框架能够清晰展示在不同度量、读取点以及分析阶段所隐含的假设如何变化。基于此，我们审视了常用的表征量（如中心化、归一化后的向量）以及近期的可解释性分析，指出其中隐含的等价假设往往被忽视，从而可能导致结论的误解。
点评