기계론적 해석 가능성 (Mechanistic interpretability)은 표현적 시그니처 (representational signature)를 식별하는 프로브 (probe)가 해당 계산을 실행하는 회로 (circuit) 또한 식별한다고 흔히 가정합니다. 우리는 이러한 가정이 Mamba-2에서 체계적으로 실패할 수 있음을 보여줍니다. 상태 싱크 (state sink, 어텐션 싱크 (attention sink)와 유사하게 경계 토큰에서 불균형적으로 높은 Delta-gate 활성화를 보이는 현상)를 연구한 결과, 단일 버킷 프로브 (single-bucket probes)는 동일한 표현적 시그니처를 가진 훨씬 더 큰 탐지 레이어 (detection layer)를 놓치면서 아주 작은 실행 레이어 (execution layer)만을 복구한다는 것을 발견했습니다. Mamba-2에서 상태 싱크는 두 개의 기능적 헤드 세트 (functional head sets)로 분해됩니다. 단일 버킷 BOS-전문가 헤드 (Single-bucket BOS-specialist heads, 2.7B 모델의 헤드 중 약 5%)는 모델 규모와 코퍼스 (corpora)에 관계없이 BOS-컨텍스트 (BOS-context) 및 줄바꿈-타겟 (newline-target) 예측을 인과적으로 지원합니다. 듀얼 헤드 (Dual heads, 동일한 프로브의 다중 클래스 집계 (multi-class aggregation)로 복구되는 헤드의 27-35%)는 더 강한 BOS-줄바꿈 표현 유사성 (representational similarity)을 보이지만, 어블레이션 (ablation) 하에서는 인과적 효과가 실질적으로 더 약합니다. 표현 유사성이 기능적 동등성 (functional equivalence)을 의미하지는 않습니다. 이러한 구분은 다운스트림 동작 (downstream behaviour)에 중요합니다. BOS-전문가 헤드를 어블레이션하면 Mamba-1 2.8B와 Mamba-2 2.7B 모두에서 1024 컨텍스트 길이일 때 RULER NIAH 검색 정확도가 1.00에서 0.00으로 붕괴되는 반면, 크기가 동일한 보완 헤드들은 기본 성능을 유지합니다. 무작위 채널 버케팅 (random channel-bucketing) 대조군 실험은 기질의 입도 (substrate granularity) 문제만은 아님을 입증하며, Mamba-2의 헤드 공유 Delta 투영 (head-shared Delta projection)을 시사합니다. 프로브에서 유도된 전문성은 실행 회로를 식별할 수 있습니다. 거친 입도 (coarse granularity)에서는 동일한 프로브가 탐지 회로 또한 복구하며, 이들을 분리하기 위해서는 클래스 조건부 코사인 유사도 (class-conditional cosine)가 아닌 클래스 조건부 어블레이션 (class-conditional ablation)이 필요합니다.