标签：Claude Sonnet

Anthropic公司宣布了一项重大突破，成功揭示了人工智能模型内部的工作机制，特别是在大型语言模型Claude Sonnet中理解数百万个概念的方式。这一成就标志着对现代生产级AI模型的可解释性有了首次深入洞察，有助于提升模型的安全性。研究团队使用了“字典学习”方法，将神经元激活模式转化为可解释的特征，使得模型的内部状态变得更加清晰。 以往，AI模型被视为黑匣子，其决策过程难以理解，这引发了对其安全性、可靠性的质疑。 Anthropic通过分析发现，模型能够理解和运用多种概念，但单个神经元并不单独代表特定概念，而是多...