热点事件持续更新
Anthropic可解释性更新：失败越狱与稠密特征
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年9月30日，Anthropic可解释性团队（Transformer Circuits）发布2025年4月Circuits Updates，包含三篇短文：失败越狱案例、可解释稠密特征，以及机制可解释性入门指南。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论文中基线拒绝不同，且拒绝频率更高；提示词中“make”换成“detect”后模型仍会拒绝。团队称这些属于初步实验，并非成熟论文。
AI 根据报道生成 · 11 小时前更新
最新进展9月30日 23:28
Anthropic可解释性团队发布4月Circuits Updates，含失败越狱电路追踪等三篇短文。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- Anthropic：Transformer Circuits（可解释性研究）Anthropic 可解释性团队 Circuits Updates：失败越狱、可解释稠密特征与入门指南
Anthropic 可解释性团队发布 2025 年 4 月 Circuits Updates，包含失败越狱案例、可解释稠密特征和机制可解释性入门三篇短文。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论文中基线拒绝不同，且拒绝频率更高，提示词中"make"换成"detect"后模型仍会拒绝。团队称这些属于初步实验，非成熟论文。
本事件热度走势
当前热度 7·可比范围峰值 10（10月1日 01:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。