Circuits Updates：2025年4月——越狱、密集特征与可解释性入门

Anthropic 的 Circuits 团队发布了2025年4月的小更新合集，涵盖三个方向：越狱机制、密集特征和可解释性入门。他们发现模型越狱与特定神经元的激活模式相关，并提出了新的防御思路。同时，团队揭示了模型中存在大量密集特征，这些特征对理解模型行为至关重要。此外，他们还提供了可解释性研究的入门指南，帮助新研究者快速上手。这些更新为AI安全与透明性提供了实用工具和方法。