Interpretability
Концепция
Безопасность и выравнивание
Opening the black box: reading a model's internal features.
Перед вами запись-пояснение к понятию: что этот термин означает простыми словами и какие записи он объединяет.
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.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Связанные
Источники
Mapping the mind of an LLM (Anthropic) ↗
Запись актуальна на 2026-01-15 — смотреть Методология.