部分验证75% 置信发布精确时间
2024年，Anthropic机械可解释性团队使用稀疏自编码器从Claude模型中提取出数百万个可解释的概念单元
3
来源数
75%
置信度
中期 (~90 天)
时效性
2026/9/5
首次发现
有效期至：2026/12/4
来源
涉及实体
相关事实
已验证Anthropic在2024年发表了关于Claude内部特征解读的机械可解释性研究，发现了数百万个可解释的特征单元77% 相似待验证2024年，Anthropic使用稀疏自编码器在Claude Sonnet中提取了3400万个特征，并定位到具体概念对应的内部回路。73% 相似待验证Anthropic在2024年使用稀疏自编码器（SAE）成功分解Claude模型中数百万个可解释特征71% 相似待验证Anthropic在2024年将机械可解释性方法扩展到Claude 3 Sonnet级别模型，识别出数百万个可解释特征，包括对应欺骗、谄媚等概念的特征69% 相似待验证Anthropic在2023年发表的论文中用稀疏自编码器在Claude中找到了数万个可解释特征，包括情绪状态、编程语言类型等69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/859093API
curl https://kongchang.com/api/v1/knowledge/claims/859093MCP
get_claim(id=859093)