Anthropic可解释性研究最新进展

Anthropic的可解释性团队发布了多项新成果，包括2026年5月的自然语言自编码器，训练Claude将内部状态翻译为自然语言解释；2026年4月的情绪概念研究发现Claude Sonnet 4.5中存在情绪表征并因果影响输出；2025年10月的涌现内省意识研究显示LLM能内省自身状态。这些工作旨在揭示大语言模型的内部工作机制，为AI安全提供基础。