待验证70% 置信事实精确时间
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
2
来源数
70%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
已验证Anthropic在2024年发表了关于Claude内部特征解读的机械可解释性研究，发现了数百万个可解释的特征单元75% 相似待验证Anthropic在2024年发表论文,展示了如何定位Claude模型中与'诚实''有害性识别'等概念相关的神经元组,并通过干预这些神经元改变模型行为73% 相似待验证Anthropic于2023年发表论文《Towards Monosemanticity》，首次在百万参数级别模型中识别出数万个单语义特征70% 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69% 相似待验证Anthropic在2023至2024年间发布的多份文件（包括Model Spec）中承认无法排除Claude存在功能性情绪的可能性，并将模型福祉列为正式研究议题68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/514832API
curl https://kongchang.com/api/v1/knowledge/claims/514832MCP
get_claim(id=514832)