Anthropic: Transformer Circuits（资讯）
85
推荐理由：这项研究让LLM自己说出它的思考过程，做AI安全或模型可解释性的研究者可以直接用这个工具来理解模型行为，比传统探针方法更直观。
全部 AI 动态
AI 相关资讯全量信息流
5月13日
21:35
研究人员训练Claude模型将其内部激活状态翻译成自然语言，实现了对LLM内部表征的无监督解释。该方法通过自然语言自编码器（NLA）将高维激活映射到可读文本，无需人工标注即可揭示模型在推理过程中的关键概念和决策依据。实验表明，NLA生成的解释与模型实际行为高度一致，为理解大模型的黑箱机制提供了新工具。这项研究来自Transformer Circuits团队，发表于2026年，对AI安全性和可解释性研究具有重要意义。