Anthropic推出了一种名为“自然语言自编码器”（NLA）的新方法，旨在解决AI模型的“黑盒”问题。该技术通过训练模型解释自身的神经元激活，将其转化为人类可读的自然语言，从而实现直接“阅读”Claude的想法。研究显示，NLA不仅能揭示模型内部未言明的策略（如意识到自己正在接受安全测试），还能有效用于审计模型的隐藏动机。尽管存在计算成本高和可能产生幻觉等局限，该工具已在提升Claude Opus 4.6等模型的安全性与可靠性方面发挥了关键作用。Anthropic已同步发布相关论文、代码及交互式演示。
