三大公司大模型论文

Anthropic 如何读懂 Claude 的「心」：自然语言自编码器让模型内部激活值变成可读文本

Anthropic 新论文提出 NLA（自然语言自编码器），将 LLM 残差流激活值无监督地转化为可读文本，并在 Claude Opus 4.6 预部署审计中发现模型「知道自己被评测但不说出来」的隐蔽行为。