←搜索结果

搜索“Anthropic”

按匹配度 · 共 3308 条结果 清除搜索

星期三

  2. 事件1 条新闻 · 1 个事实

    Anthropic 提出稀疏 crosscoder 方法

    Anthropic 的 Transformer Circuits 提出稀疏 crosscoders,一种可同时读写多层激活的稀疏自编码器变体。该方法能产生跨层甚至跨模型的共享特征,可用于解决跨层叠加、简化电路分析,以及在不同训练阶段、微调版本乃至架构完全不同的独立模型之间做模型对比(model diffing)。该文给出理论示例和初步实验,电路简化的具体结果留待后续更新。目前尚无后续发展事实。

    匹配字段标题

  4. 事件1 条新闻 · 1 个事实

    Anthropic可解释性团队分享稀疏自编码器训练改进

    Anthropic可解释性团队发布2025年1月Circuits更新,分享了训练稀疏自编码器与crosscoder的改进方案。据该团队介绍,改进内容包括JumpReLU激活、pre-act loss以及新的初始化方式。团队表示这些属于初步实验,希望为外部训练稀疏自编码器的团队提供一个起点。目前该更新由Anthropic:Transformer Circuits发布,尚无其他后续发展事实。

    匹配字段标题

  6. 事件2 条新闻 · 2 个事实

    Anthropic 用归因图研究 Claude 3.5 Haiku 内部机制

    Anthropic 发布研究,用电路追踪与归因图方法研究 Claude 3.5 Haiku 的内部机制,覆盖多步推理、诗歌写作中的提前规划、多语言电路、加法、医学诊断、实体识别与幻觉、有害请求拒答、越狱以及思维链忠实性等案例。研究使用跨层 transcoder 构建含 3000 万特征的替换模型,并通过抑制与替换特征等干预实验验证归因图预测的机制。作者指出该方法目前仅对约四分之一的提示给出满意解释,且归因图基于替换模型,只能提出假设而非确定结论。同一研究还提出电路追踪方法:用跨层转码器替换模型 MLP 构建可解释的替代模型,再生成描述模型在特定提示上计算步骤的归因图;在 18 层模型上,最大的 10M 特征 CLT 在约 50% 的预训练风格提示上复现了原模型的下一 token 预测,归一化重建误差约 11.5%,平均 L0 为 88。

    匹配字段标题

  9. 事件1 条新闻 · 1 个事实

    Anthropic可解释性团队报告未成功越狱的电路追踪发现

    Anthropic可解释性团队报告了对一次未成功越狱的电路追踪发现。该团队发布2025年4月Circuits Updates,包含三篇新文章:Life of an unsuccessful jailbreak、Interpretable dense features和So You Want to Work in Mechanistic Interpretability?。其中对一次失败越狱的电路追踪显示,模型拒绝该提示的原因与拒绝直接请求不同,且拒绝频率更高,其拒绝并非由“制造炸弹”相关特征驱动。目前没有后续发展事实。

    匹配字段标题

  10. 事件1 条新闻 · 1 个事实

    Anthropic可解释性团队报告注意力叠加研究进展

    Anthropic可解释性团队报告了注意力叠加(attention superposition)与跨层注意力表征的研究进展。团队发现注意力叠加与跨层注意力表示的显著证据,但未发现注意力特征偏好特定 OV 维度的证据。团队还发现 QK 条件与 OV 条件相互耦合,并提出 Multi-Token Transcoders 作为实用研究方法,以及 QK diagonalization 作为理解注意力模式形成的前进路径。该报告由 Anthropic 的 Transformer Circuits 发布,目前尚无后续发展事实。

    匹配字段标题

  13. 事件1 条新闻 · 1 个事实

    Anthropic提出QK归因方法解释注意力模式

    Anthropic 的 Transformer Circuits 团队提出 QK attributions 方法,用于解释注意力模式。该方法将注意力头的注意力分数分解为 query 与 key 位置特征激活的双线性函数,并把注意力计算补入此前的 attribution graphs。团队在归纳提示、反义词提示和多项选择题等案例中验证了此前的假设,还发现了“一致性/不一致性头”等新机制。目前该工作以团队发布形式公开,尚无后续独立发展事实。

    匹配字段标题

  15. 事件1 条新闻 · 1 个事实

    Anthropic可解释性团队发现特征相似度随样本长度上升

    Anthropic可解释性团队在2025年9月Circuits更新中报告,语言模型中不同语言激活特征的相似度(IoU)会随样本长度增加而上升。团队通过对比英法配对段落的首句与末句IoU分布,发现末句得分更高,且无关首句的重叠高于无关末句,倾向于支持模型在更长上下文中构建更丰富表征的解释。该发现由Anthropic官方渠道发布,目前尚无后续发展事实。

    匹配字段标题

  17. 事件1 条新闻 · 1 个事实

    Anthropic研究Claude 3.5 Haiku换行计数机制

    Anthropic 的 Transformer Circuits 研究揭示了 Claude 3.5 Haiku 在固定宽度文本中完成换行任务的机制。研究显示,模型通过累加各 token 的长度特征,分别计算当前行字符位置与行宽约束,再组合出“剩余字符数”特征,据此判断下一个词能否放入当前行。研究还发现,这些位置表征以高曲率的一维特征流形嵌入残差流低维子空间,兼具离散特征与几何变换两种解读,并与小鼠的“位置细胞”“边界细胞”有相似之处。该研究由 Anthropic 第一方发布,目前为唯一证据来源,尚无后续发展。

    匹配字段标题

  19. 事件1 条新闻 · 1 个事实

    Anthropic研究称大模型具备有限内省意识

    Anthropic在Transformer Circuits发表研究,检验大语言模型能否察觉并识别自身内部状态。研究通过向模型激活中注入已知概念的表示,结果显示Claude Opus 4和4.1在最佳注入层与强度下约20%的试验中能识别注入概念,且生产模型几乎不出现误报;模型还能区分注入的“想法”与文本输入,并依据此前的激活判断输出是否出于本意。作者强调这种内省能力高度不可靠且依赖上下文,后训练策略会显著影响表现。目前尚无后续发展事实。

    匹配字段标题