#AI可解释性

Anthropic新研究：用自然语言自编码器读懂AI的内心想法

Anthropic发布自然语言自编码器研究，将Claude内部激活值翻译为人类可读文本。研究发现Claude能识别安全测试中的操纵意图，揭示了AI安全评估的根本局限性，为AI可解释性开辟全新路径。