Anthropic 用自然语言自编码器将 Claude 的思考翻译成文本

Anthropic 发布了一项新研究，通过自然语言自编码器将 Claude 的内部数值表示转化为人类可读的文本。该方法训练模型将其“思考”过程翻译成自然语言，使得原本难以解释的神经网络内部状态变得透明。这标志着 AI 可解释性研究的重要进展，有助于理解模型如何做出决策。研究团队展示了该方法在多个任务上的有效性，为未来更安全的 AI 系统奠定了基础。