Interpretability
概念
安全性・アライメント
Opening the black box: reading a model's internal features.
これはコンセプト解説のレコードです。この用語をわかりやすく説明し、関連するレコードをまとめています。
Mechanistic interpretability reverse-engineers what networks compute — Anthropic's team mapped millions of human-legible features in Claude (the 'Golden Gate Claude' demo made one famous) and traces circuits for planning and deception. The bet: we cannot fully trust what we cannot inspect, so understanding must catch up with capability before the stakes get too high.
スタック全体とのつながり
このレコードのリンク一覧 — グループをクリックするとジャンプします。
出典
Mapping the mind of an LLM (Anthropic) ↗
レコードのレビュー時点： 2026-01-15 — 表示 調査手法.