论文Anthropic2024 年 5 月 21 日 Scaling Monosemanticity 从正在使用的模型 Claude 3 Sonnet 中提取出数百万个可解释的特征，比如一个专门对应“金门大桥”的特征。 为什么重要可解释性研究第一次深入真正的前沿模型，证明模型里的概念可以被找到，甚至被调控。 源自Claude 3 出处: transformer-circuits.pub ↗ 在 3D 时间轴上查看 →