모델 유기체 (Model organisms, MOs) — 원치 않거나 부자연스러운 행동을 보이도록 훈련된 언어 모델 — 는 화이트박스 해석 가능성 (white-box interpretability) 기술을 평가하기 위한 테스트베드로 자주 사용됩니다. 현재의 MO는 일반적으로 행동 전사본(behavioural transcripts) 또는 합성 문서(synthetic documents)에 대한 사후 지도 미세 조정 (post-hoc supervised fine-tuning, SFT)을 통해 구축됩니다. 이전 연구들은 해석 가능성 방법론이 이러한 MO 내의 숨겨진 행동을 쉽게 식별할 수 있음을 보여주었습니다. 그러나 최근 연구는 이러한 사후 훈련 (post-hoc training) 방법론이 해석 가능성을 비현실적으로 쉽게 만들 수 있음을 시사합니다. 우리는 표준 사후 SFT, 사후 DPO, 그리고 OLMo 사후 훈련 DPO 단계로의 보다 현실적인 MO 데이터 통합을 포함하여 7가지 서로 다른 기술로 훈련된 54개의 $\verb|OLMo2-1B|$- 및 $\verb|gemma-3-1b-it|$- 기반 MO 세트를 구축함으로써 이 주장을 조사합니다. 우리는 이러한 MO 변형들을 사용하여 활성화 오라클 (activation oracles), 활성화 스티어링 (activation steering), 로짓 렌즈 (logit lens), 그리고 희소 오토인코더 (sparse autoencoders)를 벤치마킹합니다. 우리의 연구 결과는 다음과 같습니다: (i) MO 해석 가능성은 훈련 목적 함수 (training objective), 대상 행동 (target behaviour), 모델 아키텍처 (model architecture), 그리고 훈련 데이터 생성 파이프라인 (training data generation pipeline)에 강력하게 의존합니다; (ii) 대상 행동 표현의 강도 차이를 통제한 후에도 상당한 변동성이 남아 있습니다; (iii) 우리의 보다 현실적인 통합 훈련 (integrated training)은 표준 사후 방법들보다 종종 해석 가능성이 낮은 MO를 생성합니다. 우리의 결과는 해석 가능성 프록시 (interpretability proxies)로서 현재의 MO가 가진 유효성에 상당한 의구심을 제기합니다.