Anthropic最新论文撬开大模型黑箱：隐藏动机发现率提升 4 倍以上

Anthropic 提出自然语言自动编码器（NLA），将大模型内部高维激活值压缩为可读自然语言解释，并反向重建激活，实现对模型真实意图、评测意识和隐藏动机的可观测审计；该技术已用于Claude Opus 4.6和Mythos Preview的预部署对齐审计，显著提升异常行为归因效率。