标签
本初步研究使用自然语言自动编码器来探测Qwen2.5-7B在处理哥伦比亚西班牙语和英语提示时是否内部表示哥伦比亚身份、社会经济地位或刻板印象相关信息，发现潜在推断在被口头表达之前存在的证据。
作者构建了一个自定义的llama.cpp服务器和Mikupad UI，以便在本地运行Anthropic的开源自然语言自编码器并实现激活引导。目前正在开发LoRA版本以降低内存需求。
Anthropic和Neuronpedia发布了关于自然语言自动编码器（NLA）的研究和工具，用户可以在Gemma 3生成token时查看其内部的“想法”。此次发布包括了Auto Verbalizer和Activation Reconstructor的模型权重，托管在Hugging Face和Neuronpedia上。
Anthropic 推出了自然语言自编码器（NLA），这是一种将内部 AI 激活状态转化为人类可读文本的方法，有助于更好地理解模型的思考过程，并通过揭示隐藏的推理逻辑来提升安全性。
Anthropic与Neuronpedia合作，在开放模型上发布了自然语言自编码器（NLAs），使研究人员能够获得这种可解释性工具的实践经验。