AI Safety
Anthropic在机械可解释性研究上取得突破
Anthropic研究人员发表了一篇关于机械可解释性的里程碑式论文，成功绘制了Claude内部表示概念的方式，并识别出负责安全行为的电路。
2025年4月28日来源：Anthropic Research
相关资讯
AI安全研究突破：新可解释性方法问世
5月27日 · Anthropic Research
Anthropic 发布更新版模型规范：AI 行为新指南
5月15日 · Anthropic
Anthropic 的机制可解释性研究在 Claude 的推理中发现“特征”
5月1日 · Anthropic
Anthropic发现Claude内部类意识工作空间：可读写模型“心里话”
7月7日 · 综合整理
Anthropic发布宪法AI安全更新：Claude 3.7安全性与越狱防御
3月1日 · Anthropic
Claude Code Max 计划上线：$200/月无限使用，Anthropic 正面挑战 Cursor
5月26日 · Anthropic