待验证50% 置信基准精确时间

2024年，Anthropic使用稀疏自编码器在Claude Sonnet中提取了3400万个特征，并定位到具体概念对应的内部回路。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/16

首次发现

有效期至：2027/1/14

来源

Anthropic泄露机密路线图：五年前就写好了AI行业剧本

rss2026/10/15

涉及实体

Anthropiccompany 稀疏自编码器concept Claude Sonnetproduct

相关事实

待验证Anthropic在2024年将机械可解释性方法扩展到Claude 3 Sonnet级别模型，识别出数百万个可解释特征，包括对应欺骗、谄媚等概念的特征79% 相似部分验证2024年，Anthropic机械可解释性团队使用稀疏自编码器从Claude模型中提取出数百万个可解释的概念单元73% 相似已验证Claude 3.5 Sonnet是Anthropic于2024年推出的模型，在代码生成基准测试HumanEval上超越了同期GPT-4o71% 相似待验证Anthropic在2023年发表的论文中用稀疏自编码器在Claude中找到了数万个可解释特征，包括情绪状态、编程语言类型等68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1046073

API

curl https://kongchang.com/api/v1/knowledge/claims/1046073

MCP

get_claim(id=1046073)