Anthropic 可解释性研究：当 transcoder 失灵，机制忠实性的玩具模型

Anthropic 的 Chris Olah 发布非正式笔记，用玩具模型展示 transcoder 的机制不忠实问题：在 x→abs(x) 任务中，模型本身没有对重复数据点 p 的特殊概念，但 transcoder 会学出专门激活并输出 p 的"数据点特征"，以不同计算机制实现低 MSE 和单义性。作者提出"Jacobian matching"或可缓解该问题，并强调这仍是初步结果，需低置信度看待。