待验证50% 置信事实精确时间

研究者借助SAE在Claude等模型中识别出数百万个可解读特征，包括与欺骗或权力寻求等抽象概念相关的表征

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/19

首次发现

有效期至：2026/10/17

来源

可解释性：拆解神经网络黑箱的科学与实践

相关事实

待验证Anthropic的机械可解释性研究成果《Towards Monosemanticity》通过稀疏自编码器在Claude模型中识别出数百万个可解释特征72% 相似待验证Anthropic研究人员通过机制可解释性方法在Claude大模型内部发现了类似人脑的全局工作空间结构62% 相似待验证研究者已在GPT-4、Claude等主流模型上发现统计异常，暗示存在记忆而非推理61% 相似待验证理解的错觉（解释深度的错觉）现象最早由认知科学家Rozenblit和Keil在2002年的研究中系统描述59% 相似待验证Claude模型以超过10万token的长上下文窗口和复杂推理能力著称59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/563091

API

curl https://kongchang.com/api/v1/knowledge/claims/563091

MCP

get_claim(id=563091)