Anthropic 可解释性电路更新与 SAE 评测

1. 23:28
   Anthropic：Transformer Circuits（可解释性研究）

   Anthropic 可解释性团队 Circuits Updates：字典学习可解释性评测与 SAE 特征自解释

   Anthropic 可解释性团队发布 Circuits Updates，提出两种量化自动可解释性方法，通过测量 Claude 能否借助特征可视化工具准确预测特征激活，来评测字典学习特征的可解释性。其中对比评测用正负句对找出仅对一侧激活的特征，用于衡量特征是否精确对应可解释概念；团队同时给出自解释 SAE 特征的案例研究，并强调这些结果属于初步实验而非成熟论文。

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。